Você está na página 1de 206

Clculo en Varias Variables

Patricio Felmer y Alejandro Jofr


Con la colaboracin de:
Paul Bosch
Matas Bulnes
Arturo Prat
Luis Rademacher
Mauricio Vargas
Jos Zamora
25 de noviembre de 2012
ndice general
Introduccin vii
1. Clculo Diferencial en R
n
1
1.1. Base algebraica y geomtrica de R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Funciones con valores en R
m
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Conceptos introductorios de topologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Lmites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Continuidad de funciones de R
n
en R
m
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5. Diferenciabilidad de funciones de R
n
a R
m
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1. Aproximacin de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2. Gradiente de una funcin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3. Relacin entre continuidad y diferenciabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.4. Teorema del valor medio en R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6. Gradiente y geometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6.1. Caso del grafo de una funcin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2. Derivadas de Orden Superior 37
2.1. Derivadas de orden superior y teorema de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2. Extremos de funciones con valores reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.1. Condiciones de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.2. Condiciones de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3. Funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4. Funciones cncavas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5. Extremos restringidos y Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.1. Condiciones de 1
er
orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.2. Anlisis geomtrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5.3. Interpretacin del multiplicador de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.5.4. Condiciones de 2
do
orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . . . . 57
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3. Integracin 67
3.1. Integral de Riemann en R
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.1.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.1.2. Propiedades bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.1.3. Integracin de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.1.4. Extensin de la clase de funciones integrables . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.1.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1.6. Integral en R
2
sobre dominios generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
i
3.2. Integral de Riemann en R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.2. Propiedades Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2.3. Integracin de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2.4. Extensin de la clase de funciones integrables . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2.6. Integral en R
n
sobre dominios generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.3. Teorema del cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.4.1. Centro de masa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.4.2. Momento de inercia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.5. Comentarios acerca del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.5.1. Extensin de la integral de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4. Topologa Bsica 97
4.1. Normas y espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.2.1. Sucesiones de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3. Espacios de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4. Subsucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.5. Conjuntos abiertos y cerrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6. Conjuntos compactos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.7. Consecuencias de la compacidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.8. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5. Teoremas de la Funcin Inversa e Implcita 119
5.1. Teorema del punto jo de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2. Teorema de la funcin inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.3. Teorema de la funcin implcita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6. Complementos de Clculo Diferencial 135
6.1. Reglas de derivacin adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.2. La frmula de cambio de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
7. Teorema de los Multiplicadores de Lagrange 143
7.1. Condiciones de primer orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.1.1. Concepto de supercie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.1.2. Caso particular del Teorema de los Multiplicadores de Lagrange . . . . . . . . . . . . . . . . 143
7.1.3. Caso general del Teorema de los Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . 145
7.1.4. Consideraciones adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.2. Condiciones de segundo orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . . . . . 148
7.3. Ejemplos de Microeconoma en varias dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
7.4. Teorema de la envolvente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
7.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8. Teorema de Karush-Kuhn-Tucker 165
8.1. Teorema de separacin de convexos y lema de Farkas . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.2. Problema general de optimizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
ii
8.3. Teorema de Karush-Kuhn-Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
8.3.1. Condiciones de primer orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . . 169
8.3.2. Condiciones de segundo orden para extremos restringidos . . . . . . . . . . . . . . . . . . . . 172
8.3.3. Interpretacin econmica del teorema de Karush-Kuhn-Tucker . . . . . . . . . . . . . . . . . 173
8.3.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
8.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
A. Teoremas de Clculo en R 183
A.1. Teorema de Bolzano-Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
A.2. Teorema del Valor intermedio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
A.3. Teoremas de Rolle y del Valor Medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
A.4. Primer y Segundo Teorema Fundamental del Clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
B. Conceptos de lgebra Lineal 187
B.1. Dependencia Lineal y Base de un Espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
B.2. Ortogonalidad y Ortonormalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
B.3. Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
B.4. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
B.5. Formas Cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Notacin 193
Bibliografa 195
iii
ndice de guras
1.1. Grafo de sen

xy
x
2
+y
2
+1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Curvas de nivel de sen

xy
x
2
+y
2
+1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Interpretacin geomtrica de la derivada direccional . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1. Epgrafo, hipografo y grafo de una funcin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2. Curva de nivel de f. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3. Curva de nivel de g. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4. Condiciones de primer orden del Lagrangeano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.5. Relacin entre el multiplicador y las curvas de nivel. . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1. 2-equiparticin y seleccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Suma de Riemann para la funcin f(x, y) = sen
_
xy
15
_
para P
4
([1, 5]
2
) . . . . . . . . . . . . . . . . . . 68
3.3. Ejemplo de que V (R)nf
x2R
f(x)
_
R
f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4. Dimetro de un conjunto A R
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5. El dominio del ejemplo 3.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.6. La funcin del ejemplo 3.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.7. Dominio del tipo 1 que no es del tipo 2 y dominio del tipo 3. . . . . . . . . . . . . . . . . . . . . . . 79
3.8. Cambio de variable, caso de una transformacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1. Normas en R
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2. Conjunto convexo y no convexo respectivamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.1. Funcin Cobb-Douglas f(x
1
, x
2
) = x
1/2
1
x
1/2
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.2. Funcin cuasilineal f(x
1
, x
2
) = 0, 1 ln(x
1
) +x
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.3. Funcin Leontief f(x
1
, x
2
) = mn{x
1
, x
2
} . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
A.1. Teorema de Rolle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
A.2. Teorema del valor medio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
v
Introduccin
En ciencias e ingeniera se emplean numerosos modelos para describir matemticamente fenmenos de diferente
ndole que van desde el clculo de estructuras hasta fenmenos econmicos sociales pasando por la mecnica de
uidos, transferencia de calor, equilibrios qumicos, planicacin y gestin de procesos, biotecnologa, astronoma,
fsica del estado slido, materiales, minera, slo por mencionar algunas que se cultivan en la facultad. Para esta
tarea el clculo de una variable muchas veces es insuciente, pues la realidad incorpora mltiples variables y sus
interacciones para el estudio de estos fenmenos.
Los autores.
vii
CAPTULO 1
Clculo Diferencial en R
n
Nos interesa ampliar las herramientas aprendidas en el curso de Clculo a funciones de varias variables. Para esto
debemos introducir, entre otros, los conceptos de derivada parcial y diferencial. Con ambos conceptos podremos
entender diversas herramientas que nos permitirn continuar la tarea de maximizar o minimizar funciones que
pueden estar sujetas a una o ms restricciones.
1.1. Base algebraica y geomtrica de R
n
Denicin 1.1. Dotamos al conjunto R
n
de una estructura de espacio vectorial mediante las siguientes operaciones:
Para x = (x
1
, x
2
, . . . , x
n
) 2 R
n
, y = (y
1
, y
2
, . . . , y
n
) 2 R
n
y ` 2 R denimos
Suma:
x +y = (x
1
+y
1
, . . . , x
n
+y
n
)
Producto por escalar:
`x = (`x
1
, . . . , `x
n
)
El espacio vectorial R
n
tiene dimensin n. Entre las muchas posibles bases de R
n
nos interesar considerar, por su
simplicidad, la llamada base cannica {e
i
}
n
i=1
, donde e
i
= (0, . . . , 1, . . . , 0) con el uno en la posicin i. As todo
x = (x
1
, . . . , x
n
) 2 R
n
se puede representar en trminos de la base cannica como
x =
n

i=1
x
i
e
i
Habindo ya denido la estructura algebraica de R
n
vamos a introducir la estructura geomtrica de R
n
a travs del
producto interno (o producto punto)
Denicin 1.2. Dados x, y 2 R
n
, se dene el producto interno o punto de x e y como
x y = hx, yi =
n

i=1
x
i
y
i
La siguiente proposicin resume las propiedades bsicas del producto interno. Su demostracin es muy simple.
Proposicin 1.1. (Propiedades del producto interno)
1. Positividad: Para todo x 2 R
n
se tiene hx, xi 0 y hx, xi = 0 s y slo s x = 0.
1
FCFM - Universidad de Chile
2. Linealidad: Para todo x, y, z 2 R
n
y ` 2 R h`x +y, zi = `hx, zi +hy, zi.
3. Simetra: Para todo x, y 2 R
n
hx, yi = hy, xi.
La nocin de producto interno induce de manera natural la nocin de norma o longitud de un vector.
Denicin 1.3. Se dene la norma de un vector x 2 R
n
como
kxk =
p
x x
La siguiente proposicin establece una desigualdad entre producto interno y norma de vectores de R
n
. Ella nos
permite denir la nocin de ngulo entre vectores de R
n
, dejando en evidencia que el producto interno determina
la geometra de R
n
.
Proposicin 1.2. (Desigualdad de Cauchy-Schwarz)
|x y| kxkkyk 8x, y 2 R
n
Se tiene la igualdad si y slo si x es mltiplo escalar de y o uno de ellos es cero.
Demostracin. Sean x, y 2 R
n
y sea t 2 R. Entonces por las propiedades del producto interno tenemos que
0 hx +ty, x +tyi = hx, xi + 2thx, yi +t
2
hy, yi
Si y = 0 entonces la desigualdad naturalmente vale. Si y 6= 0 entonces notamos que la expresin de arriba determina
una funcin cuadrtica que se anula a lo ms una vez en t 2 R. Esto implica que el discriminante debe ser negativo
o nulo, es decir,
4hx, yi
2
4hx, xihy, yi 0
de donde se obtiene la desigualdad deseada. Cuando x es mltiplo de y entonces claramente se tiene la igualdad.
Queda de tarea probar la recproca.
La desigualdad de Cauchy-Schwarz nos permite denir la nocin de ngulo entre vectores.
Denicin 1.4. Dados x, y 2 R
n
llamaremos ngulo entre x e y a:
= arc cos

x y
kxkkyk

entendemos que 2 [0, ].


Con esta denicin podemos hablar de vectores ortogonales cuando el ngulo entre ellos es de 90
o
, es decir, cuando
hx, yi = 0.
Tambin vemos la validz del teorema del coseno:
kx yk
2
= kxk
2
+kyk
2
2hx, yi = kxk
2
+kyk
2
2kxkkyk cos()
Cuando los vectores son ortogonales tenemos el teorema de Pitgoras.
Como ya dijimos, el producto interno induce la nocin de norma, la que le da a R
n
su carcter topolgico, como ya
veremos. Por el momento veamos las propiedades bsicas de la norma.
Proposicin 1.3. (Propiedades de la norma)
1. Positividad: Para todo x 2 R
n
kxk 0 y kxk = 0 si y slo si x = 0.
2. Homogeneidad: Para todo x 2 R
n
, ` 2 R k`xk = |`|kxk.
2
1.2. Funciones con valores en R
m
3. Desigualdad triangular: Para todo x, y 2 R
n
kx +yk kxk +kyk.
Demostracin. 1. y 2. son directas del las propiedades del producto interno y la denicin de norma.
La Desigualdad Triangular es una consecuencia de la desigualdad de Cauchy-Schwarz. Para x, y 2 R
n
tenemos
hx +y, x +yi = kx +yk
2
= kxk
2
+ 2hx, yi +kyk
2
kxk
2
+ 2kxkkyk +kyk
2
de donde se obtiene
kx +yk
2
(kxk +kyk)
2

Nota 1.1. De ahora en adelante preferimos denotar el producto punto entre vectores x e y como x y.
1.2. Funciones con valores en R
m
Denicin 1.5. Llamaremos a f funcin a valores en R
m
si f : D R
n
!R
m
.
Observamos que el argumento de f es un vector x = (x
1
, . . . , x
n
) 2 R
n
y que la imagen de x es un vector de
R
m
. As f(x) = (f
1
(x), . . . , f
m
(x)), donde las funciones f
i
: D R ! R, para cada i, se conocen como funciones
coordenadas.
Para el estudio de las funciones de R
n
a valores en R
m
vamos a desarrollar las herramientas del Clculo Diferencial.
Sin embargo, la posibilidad de dibujar en el caso de dimensiones pequeas, es siempre algo muy til. Ms an ahora
que tenemos programas computacionales (Matlab, Wolfram Mathematica, Gnu Octave, etc.) muy ecientes para
esta tarea. A continuacin damos alguna terminologa.
Denicin 1.6. Llamaremos grafo de una funcin f : D R
n
!R
m
al conjunto:
G(f) = {(x, f(x)) : x 2 D}
Notemos que G(f) R
n+m
. Este se podr dibujar cuando m = 1 y n = 1 o n = 2. En el primer caso el grafo es
una curva y en el segundo una supercie.
Denicin 1.7. Cuando m = 1 y dado c 2 R se dene el conjunto de nivel de la funcin f como
N
c
(f) = {x 2 D : f(x) = c}
En el caso en que n = 2 y n = 3 el conjunto de nivel N
c
(f) se puede dibujar. Se le conoce como curva de nivel
cuando n = 2 y supercie de nivel si n = 3.
Ejemplo 1.1. linea en blanco
3
FCFM - Universidad de Chile
Figura 1.1.: Grafo de sen

xy
x
2
+y
2
+1

Figura 1.2.: Curvas de nivel de sen

xy
x
2
+y
2
+1

1.3. Conceptos introductorios de topologa


La nocin de lmite y continuidad de funciones de R
n
en R
m
involucra el carcter topolgico de estos espacios,
inducido por la norma.
En el estudio de la topologa de R
n
, un rol fundamental es jugado por las bolas abiertas.
Denicin 1.8. Dados x
0
2 R
n
, r 2 R
+
, llamaremos bola abierta de centro en x
0
y radio r al conjunto
B(x
0
, r) = {x 2 R
n
: kx x
0
k < r}
Llamaremos bola cerrada de centro en x
0
y radio r al conjunto
B(x
0
, r) = {x 2 R
n
: kx x
0
k r}
Denicin 1.9. Diremos que A R
n
es un conjunto abierto si
(8x
0
2 A)(9r > 0) : B(x
0
, r) A
Ejemplo 1.2. R
n
y el conjunto vaco ?, son conjuntos abiertos. An cuando R
n
es obviamente abierto, el caso del
conjunto vaco requiere una reexin. Si ? no es abierto entonces existe x
0
2 ? para el cual B(x
0
, r) \ R
n
6= ?,
para cada r > 0. Esto es absurdo pues no hay elementos en ?.
Ejemplo 1.3. El conjunto A = {(x, y) : x > 1} es un conjunto abierto. En efecto, si (x, y) 2 A entonces
B

(x, y),
x 1
2

A
Ejemplo 1.4. Si x
0
2 R y r > 0 entonces B(x
0
, r) es un conjunto abierto. En efecto, si x 2 B(x
0
, r) entonces
B

x,
(r kx x
0
k)
2

B(x
0
, r)
Usando la desigualdad triangular muestre la veracidad de esta ltima armacin y haga un dibujo.
Denicin 1.10. Diremos que A R
n
es un conjunto cerrado si A
C
es abierto.
4
1.3. Conceptos introductorios de topologa
Nota 1.2. Los conjuntos R
n
y ? son abiertos y cerrados. Tambin existen conjuntos que no son abiertos ni cerrados.
Ver ejemplo a continuacin.
Ejemplo 1.5. Sean A = {
1
n
: n 2 N} y B = A[ {0}. Entonces:
1. A no es cerrado. En efecto A
C
no es abierto, pues 0 2 A
C
y: (8r > 0)B(0, r) 6 A
C
. Lo anterior pues cualquiera
sea r > 0 se tiene que
(9n 2 N) tal que
1
n
< r
Es decir,
1
n
2 B(0, r).
2. A no es abierto pues 1 2 A, pero (8r > 0) B(x
0
, r) 6 A.
3. B es cerrado y no es abierto.
Como en el caso de R uno puede denir sucesiones de vectores en R
n
. Se trata de una funciones de N ! R
n
tales
que k !x
k
. Usualmente se considera la notacin {x
k
}
k2N
.
Denicin 1.11. Una sucesin {x
k
}
k2N
en R
n
se dice sucesin convergente a x 2 R
n
si:
(8- > 0)(9k
0
2 N) : kx
k
xk < - (8k k
0
)
En el caso que x 2 R
n
converge a x anotamos x
k
!x o lm
k!1
x
k
= x. Notamos que la condicin kx
k
xk < -
es equivalente a x
k
2 B(x, -).
Es interesante que uno puede caracterizar los conjuntos cerrados mediante el uso de sucesiones. En realidad uno
podra describir completamente la topologa de R
n
usando sucesiones, pero no lo haremos.
Proposicin 1.4. A R
n
es cerrado si y slo si:
Para toda sucesin {x
k
}
k2N
A : ( (x
k
!x) )x 2 A)
Demostracin. linea en blanco
()): Supongamos que A es cerrado. Sea {x
k
}
k2N
A una sucesin cualquiera tal que lm
x
k
!x
x
k
= x. Queremos
demostrar que x 2 A. Supongamos que no, es decir, que x 2 A
C
. Como A es cerrado, existe - > 0 tal que
B(x, -) A
C
. Por otra parte, de la denicin de lmite, existe k
0
2 N tal que x
k
2 B(x, -) para todo k k
0
, lo
que es imposible pues x
k
2 A.
((): Para demostrar la recproca probemos la contrarrecproca. Es decir, si A no es cerrado entonces existe una
sucesin {x
k
}
k2N
A que converge a x y x 62 A.
Como A no es cerrado, A
C
no es abierto, entonces existe un punto x 2 A
C
tal que
Para todo - > 0 se tiene B(x, -) \ A 6= ?
Esta proposicin nos permite construir una sucesin {x
k
} A de la siguiente manera: para cada k 2 N tomamos
- =
1
k
entonces, como B(x, 1/k) \ A 6= ?, podemos elegir x
k
2 B(x,
1
k
) y x
k
2 A. Por denicin esta sucesin
converge a x, concluyendo la demostracin pues x 62 A.
Continuando con nuestra discusin sobre la topologa de R
n
hacemos algunas nuevas deniciones.
Denicin 1.12. Sea A R
n
. Entonces:
1. x 2 A se dice punto interior de A si (9- > 0) : B(x, -) A.
2. x 2 R
n
se dice punto adherente de A si (8- > 0) : B(x, -) \ A 6= ?.
3. x 2 R
n
se dice punto de acumulacin de A si (8- > 0) : (B(x, -) \ {x}) \ A 6= ?.
4. x 2 R
n
se dice punto frontera de A si (8- > 0) : B(x, -) \ A 6= ? ^ B(x, -) \ A
C
6= ?.
5
FCFM - Universidad de Chile
Observamos que un punto adherente de A no necesita estar en A, as mismo un punto de acumulacin y un punto
frontera no necesitan estar en A.
Denicin 1.13. Dado A R
n
se denen los siguientes conjuntos:
1. Interior de A: int(A) = {x 2 A : x es punto interior de A}.
2. Adherencia de A: adh(A) = {x 2 R
n
: x es punto adherente de A}.
3. Derivado de A: der(A) = {x 2 R
n
: x es punto de acumulacion de A}.
4. Frontera de A: 0A = fr(A) = {x 2 R
n
: x es punto frontera de A}.
Nota 1.3. int(A) A y A adh(A).
Ejemplo 1.6. En R sea A = [1, 2) [ {3}. Entonces: der(A) = [1, 2], int(A) = (1, 2), adh(A) = [1, 2] [ {3} y
fr(A) = {1, 2, 3}.
Se obtiene de las deniciones la siguiente proposicin:
Proposicin 1.5. A es abierto si y slo si A = int(A) y A es cerrado si y slo si A = adh(A).
Ejemplo 1.7. Demuestre que x 2 adh(A) si y slo si existe una sucesin {x
k
}
k
A tal que lm
k!1
x
k
= x.
Solucin.linea en blanco
()) A es cerrado, entonces toda sucesin convergente en A tiene su lmite en A.
Sea la sucesin {x
k
}, k 2 N : x
k
!x )x 2 A
x
k
!x ,8- > 0 9k
0
2 N : 8k k
0
, x
k
2 B(x, -)
Pero x
k
2 A, entonces 8- > 0 B(x, -) \ A 6= ? )x 2 adh(A). Sabemos que A es cerrado, lo que en otras palabras
es A = adh(A) lo cual implica que x 2 A.
(() Toda sucesin convergente del conjunto A tiene su lmite en el conjunto, entonces A es cerrado.
Supongamos que x 2 adh(A), entonces se tiene que
B(x, -) \ A 6= ?8- > 0
Escojamos - = 1/k, entonces debe tenerse
B(x, 1/k) \ A 6= ?8k 2 N
lo que implica que existe x
k
perteneciente a B(x, 1/k)\A para todo k 2 N. Entonces, {x
k
} est en A y lm
k!1
x
k
=
x
Con este ejemplo terminamos esta breve introducin a la topologa de R
n
y estamos en condiciones de presentar la
nocin de lmite de una funcin.
1.4. Lmites y continuidad
Denicin 1.14. Sea f : A R
n
!R
m
y a 2 der(A). Entonces decimos que b es el lmite de f cuando x tiende
a a y escribimos lm
x!a
f(x) = b si
(8- > 0)(9c > 0) tal que (kx ak c) ^ (x 2 A) )kf(x) bk -
Nota 1.4. En la anterior denicin pedimos que a 2 der(A) para que siempre haya puntos cerca de a.
6
1.4. Lmites y continuidad
A continuacin desarrollaremos dos ejemplos en los cuales debemos efectivamente demostrar el valor de un cierto
lmite. Para ello es necesario dar una frmula que permita determinar c dado -.
Ejemplo 1.8. Demuestre usando la denicin que
lm
(x,y)!(1,1)
(x
2
1) = 0
Solucin. En primer lugar vemos que a partir de
k(x, y) (1, 1)k c
se puede deducir directamente que
|x 1| c e |y 1| c y entonces |x 1| c y |x| c + 1 (*)
Por otro lado
|f(x) b| = |x
2
1| = |x 1||x + 1| (**)
As, dado - > 0 podemos elegir c > 0 de modo que
c(c + 2) -
Entonces, si k(x, y) (1, 1)k c, tenemos (*), y entonces obtenemos de (**) que
_
|f(x) b| c(c + 2)
_
-

El ejemplo anterior es bastante simple. La dicultad puede aumentar cuando la funcin f es ms complicada, por
ejemplo si es un cuociente.
Ejemplo 1.9. Demuestre usando la denicin que
lm
(x,y)!(2,1)
x
2
x y
= 4
Solucin. Partimos como en el ejemplo anterior viendo que si
k(x, y) (2, 1)k c
entonces se tiene directamente que
|x 2| c e |y 1| c (*)
Por otro lado, un desarrollo algebraico simple nos lleva a lo siguiente
|f(x) b| =

x
2
x y
4

=
|x
2
4x + 4y|
|x y|
=
|(x 2)
2
4(y 1)|
|x y|
(**)
Observamos aqu dos hechos relevantes. Primero, en el numerador tenemos una expresin que depende esencialmente
de |x 2| y |y 1|, cantidades controladas por c, segn (*). Segundo, en el denominador tenemos |x y|, que es
una cantidad que podra anularse si uno no es cuidadoso.
Para tratar este ltimo trmino procedemos en una primera etapa encontrando un valor c
1
medio, que si bien no
nos permitir acotar por - nos permitir controlar |x y|. El denominador no se anula en (2, 1), de aqu vemos que
si elegimos c
1
= 1/4, por ejemplo, entonces de (*) podemos concluir que
|x y| >
1
2
(***)
7
FCFM - Universidad de Chile
Suponiendo entonces que (***) se tiene, obtenemos de (*) y (**) que
|f(x) b| =
|(x 2)
2
4(y 1)|
|x y|
2|(x 2)
2
4(y 1)|
De aqu, usando nuevamente (*) podemos acotar mejor
|f(x) b|
1
2
|x 2| + 8|y 1| 8(|x 2| + |y 1|)
Entonces, dado - > 0, podemos elegir c
2
=
-
16
. Pero debemos asegurarnos que los argumentos anteriores sean
siempre vlidos y eso lo logramos si elegimos c = mn{
1
2
,
-
16
} y se tendr que
k(x, y) (2, 1)k c )

x
2
x y
4

Ejemplo 1.10. Demostrar que


lm
(x,y)!(0,0)
sen(x
2
+y
2
)
x
2
+y
2
= 1
Solucin. Del curso de Clculo sabemos que
lm
!0
sen()

= 1
Entonces, dado - > 0 existe c
1
> 0 tal que
|| c
1
)

sen()

-
Elijamos ahora c =
p
c
1
. Entonces k(x, y) (0, 0)k c implica que |x
2
+y
2
| c
1
y entonces

sen(x
2
+y
2
)
x
2
+y
2
1

Nota 1.5. Notamos que una manera equivalente de escribir la nocin de lmite es la siguiente: para toda bola
abierta B(b, -) existe una bola abierta B(a, c) tal que
x 2 (B(a, c) \ {a}) \ A )f(x) 2 B(b, -)
o equivalentemente
f((B(a, c) \ {a}) \ A) B(b, -)
Ahora vamos a desarrollar el concepto de lmite estudiando sus principales propiedades. En toda esta seccin
hacemos notar la analoga que se tiene con el curso de Clculo, donde se estudio el concepto de lmite y continuidad
para funciones de una variable real. Es sorprendente que la mayora de las proposiciones que veremos a continuacin
tienen una demostracin que se obtiene de la anloga de Clculo reemplazando | | por k k.
Proposicin 1.6. (Unicidad del lmite)
Sea f : A R
n
!R
m
y a 2 der(A). Si
lm
x!a
f(x) = b
1
y lm
x!a
f(x) = b
2
Entonces b
1
= b
2
.
8
1.4. Lmites y continuidad
Demostracin. Por hiptesis, dado - > 0 existen c
1
> 0 y c
2
> 0 tales que
(kx ak c
1
^ x 2 A) )kf(x) b
1
k -
(kx ak c
2
^ x 2 A) )kf(x) b
2
k -
Entonces, si kx ak mn{c
1
, c
2
} se tendr que
kb
1
b
2
k k(f(x) b
1
) (f(x) b
2
)k kf(x) b
1
k +kf(x) b
2
k 2-
Como - puede ser arbitrariamente pequeo, debemos tener que b
1
= b
2
.
La siguiente proposicin es muy til para estudiar la existencia de un determinado lmite. Se usa principalmente
para mostrar que una cierta funcin no tiene lmite.
Proposicin 1.7. Sea f : A R
n
! R
m
y a 2 der(A) tal que lm
x!a
f(x) = b. Entonces para todo B A tal que
a 2 der(B) se tiene que
lm
x!a
f|
B
(x) = b
Demostracin. Tarea.
La contrarrecproca nos da el siguiente corolario
Corolario 1.1. Sea f : A R
n
! R
m
, a 2 der(A) y B
1
, B
2
A, de manera que a 2 der(B
1
) \ der(B
2
). Si uno
de los lmites lm
x!a
f|
B1
(x) lm
x!a
f|
B2
(x) no existe o si lm
x!a
f|
B1
(x) 6= lm
x!a
f|
B2
(x) entonces el lmite
lm
x!a
f(x) = b
no existe.
Ejemplo 1.11. Se trata de estudiar el siguiente lmite
lm
(x,y)!(0,0)
x
x +y
Solucin. Notemos en primer lugar que f(0, 0) no est denida, sin embargo esto no tiene importancia alguna. Lo que
s importa es que (0, 0) 2 der(R
2
\{(0, 0)}). Si consideramos los conjuntos A = {(0, y) : y 6= 0} y B = {(x, 0) : x 6= 0}
entonces tenemos que
lm
(x,y)!(0,0)
f|
A
(x, y) = 0 y lm
(x,y)!(0,0)
f|
B
(x, y) = 1
Concluimos entonces que el lmite bajo estudio no existe, en virtud del corolario.
Nota 1.6. En los ejemplos anteriores hemos considerado solamente funciones a valores reales, es decir, con espacio
de llegada R. Esto queda justicado en la siguiente proposicin.
Proposicin 1.8. Sea f : A R
n
!R
m
. Entonces:
lm
x!a
f(x) = b , (8i = 1, . . . , m) lm
x!a
f
i
(x) = b
i
Aqu f
i
es la i-sima funcin coordenada y b
i
is la i-sima coordenada de b.
Demostracin. linea en blanco
()): Tarea.
((): Dado - > 0, por hiptesis existe c
i
> 0 tal que kx ak c
i
y x 2 A implica que |f
i
(x) b
i
| -/
p
m, para
cualquier i = 1, 2, . . . , m. Entonces, si elegimos c = mn{c
1
, . . . , c
m
}. tenemos que si kx ak c y x 2 A implica
m

i=1
(f
i
(x) b
i
)
2
< m
-
2
m
= -
2
de donde kf(x) bk -.
Los siguientes tres teoremas resumen las propiedades importantes de los lmites.
9
FCFM - Universidad de Chile
Teorema 1.1. Sean f, g : A R
n
! R
m
y a 2 der(A). Si existen los lmites lm
x!a
f(x) = b
1
y lm
x!a
g(x) = b
2
,
entonces los siguientes lmites existen y pueden calcularse como sigue:
lm
x!a
(f +g)(x) = lm
x!a
f(x) + lm
x!a
g(x) (1.1)
Si ` 2 R,
lm
x!a
(`f)(x) = ` lm
x!a
f(x) (1.2)
Demostracin. Demostraremos una a una las propiedades:
1. Dado - > 0, como f y g tienen lmite en a, existen c
1
, c
2
> 0 tales que
x 2 A, kx ak c
1
) kf(x f(a))k
-
2
x 2 A, kx ak c
2
) kg(x) g(a)k
-
2
Deniendo c = mn{c
1
, c
2
} se obtiene:
x 2 A, kx ak c )k(f +g)(x) (f +g)(a)k
kf(x) f(a)k +kg(x) g(a)k
-
2
+
-
2
= -
2. Si ` = 0 se concluye la demostracin. Si ` 6= 0, dado - > 0 como f tiene lmite en a, existe c > 0 tal que
x 2 A, kx ak c ) kf(x) f(a)k
-
|`|
lo que es equivalente a k`f(x) `f(a)k - lo que concluye la demostracin.

Teorema 1.2. Sean f : A R


n
!R
m
y g : f(A) R
m
!R
p
. Si existen los lmites lm
x!a
x2A
f(x) = b y lm
y!b
y2f(A)
g(y) =
c, entonces existe el lmite
lm
x!a
x2A
(g f)(x) = c (1.3)
Demostracin. Dado - > 0, como el lmite de g en f(a) existe, entonces existe un valor > 0 tal que
ky f(a)k ) kg(y) g(f(a))k -
y como el lmite de f en a existe, entonces existe un valor c > 0 tal que
kx ak c ) kf(x) f(a)k
De estos dos resultados se concluye
kx ak c ) kg(f(x)) g(f(a))k -
por lo que g f tiene lmite en a.
Teorema 1.3. Sean f, g : A R
n
! R. Si existen los lmites lm
x!a
f(x) = b
1
y lm
x!a
g(x) = b
2
, entonces los
siguientes lmites existen y pueden calcularse como sigue:
lm
x!a
(f g)(x) = lm
x!a
f(x) lm
x!a
g(x) (1.4)
Si f(a) 6= 0
lm
x!a

1
f

(x) =
1
lm
x!a
f(x)
(1.5)
10
1.4. Lmites y continuidad
Demostracin. Demostraremos una a una las propiedades y utilizaremos los dos teoremas anteriores.
1. Como (f g)(x) =
1
2
[(f +g)
2
f
2
g
2
](x), para demostrar la existencia del lmite de f g en a, la demostracin
se reduce al hecho de que el cuadrado de una funcin cuyo lmite existe en a tambin tiene lmite en a.
Debemos demostrar f
2
tiene lmite en a. Como f
2
es la composicin de f : A R
n
! R con g : R ! R
denida por g(y) = y
2
, y como el lmite de ambas funciones existe en a y f(a) respectivamente, f
2
tiene
lmite en a.
2. Siguiendo el desarrollo de la parte anterior, tenemos que 1/f es la composicin de f : A R
n
! R con
g : R \ {0} !R, denida por g(y) = 1/y, cuyos lmites existen en a y f(a) respectivamente.

1.4.1. Continuidad de funciones de R


n
en R
m
Ahora que hemos estudiado el concepto de lmite estamos preparados para introducir el concepto de continuidad
de una funcin.
Denicin 1.15. Sea f : A R
n
!R
m
y sea y 2 A. Decimos que f es continua en y si:
(8- > 0)(9c > 0) tal que [x 2 A ^ kx yk c] ) kf(x) f(y)k -
o equivalentemente
(8- > 0)(9c > 0) tal que f(B(y, c) \ A) B(f(y), -)
Denicin 1.16. Sea f : A R
n
!R
m
. Decimos que f es continua en A si:
(8x 2 A)(8- > 0)(9c > 0) tal que [y 2 A ^ kx yk c] ) kf(x) f(y)k -
Nota 1.7. Si x
0
2 A es un punto aislado de A, es decir, x
0
2 A\ der(A) entonces f es obviamente continua en x
0
.
Si x
0
2 der(A) entonces f es continua en x
0
si y slo si
lm
x!x0
f(x) = f(x
0
)
Como consecuencia de la observacin anterior y de la proposicin 1.8 se tiene que f : A R
n
!R
m
es continua en
x
0
2 A si y slo si f
i
es continua en x
0
, para todo i = 1, . . . , m.
Como consecuencia de los teoremas 1.1, 1.2 y 1.3 tenemos tambin tres resultados sobre funciones continuas cuya
demostracin es anloga a lo que ya vimos sobre lmites.
Teorema 1.4. Sean f, g : A R
n
!R
m
, x
0
2 A y ` 2 R. Entonces:
1. f continua en x
0
implica `f continua en x
0
.
2. f y g continuas en x
0
implica f +g continua en x
0
.
Demostracin. Tarea.
Teorema 1.5. Sean f : A R
n
!R
m
, g : B R
m
!R
p
, con f(A) B y x
0
2 A. Entonces f continua en x
0
y
g continua en f(x
0
) implica g f continua en x
0
.
Demostracin. Sea - > 0. Como g es continua en f(x
0
) existe c > 0 tal que:
y 2 B, ky f(x
0
)k c ) kg(y) g(f(x
0
))k -
Por otro lado, de la continuidad de f en x
0
sabemos que existe > 0 tal que:
x 2 A, kx x
0
k ) kf(x) f(x
0
)k c
11
FCFM - Universidad de Chile
Juntando estas dos proposiciones y tomando y = f(x) se tiene que existe > 0 tal que
x 2 A, kx x
0
k ) f(x) 2 B, kf(x) f(x
0
)k c
) kg(f(x)) g(f(x
0
))k -
Es decir:
kx x
0
k ) k(g f)(x) (g f)(x
0
)k -

Teorema 1.6. Sean f, g : A R


n
! R y x
0
2 A. Entonces f y g continuas en x
0
implica f g continua en x
0
.
Agregando el supuesto f(x
0
) 6= 0, f y g continuas en x
0
implica
1
f(x)
continua en x
0
.
Demostracin. Tarea.
Ejemplo 1.12. La funcin f(x, y) = (
x
2
1+y
2
, x +y, y sen(x)) es continua en todo punto de R
2
.
Solucin. En efecto, sus tres componentes son continuas en todo R
2
:
f
1
(x, y) =
x
2
1+y
2
lo es pues f(x) = x
2
lo es, al igual que g(y) = 1 +y
2
la cual adems no se anula. Entonces, por el
teorema anterior
1
g(y)
=
1
1+y
2
tambin es continua, y nuevamente por el teorema anterior x
2 1
1+y
2
es continua.
f
2
(x, y) = x + y es evidentemente continua pues f(x) = x e g(y) = y son continuas y la suma de continuas es
continua por el teorema anterior.
f
3
(x) = sen(x) es continua, g(y) = y tambin lo es, luego por el teorema anterior y sen(x) es continua.
La idea es que con la ayuda de los teoremas 1.4, 1.5 y 1.6 podamos determinar por inspeccin cuando una funcin
es continua, por ser una combinacin de funciones continuas conocidas.
Ejemplo 1.13. f(x, y, z, t) = sen(t(x
2
+y
2
+z
2
)) es continua en todo punto de R
4
.
Denicin 1.17. Diremos que A R
n
es una vecindad de x
0
2 R
n
si x
0
2 A y A es abierto.
La siguiente proposicin da una caracterizacin de la continuidad en trminos de vecindades. Notar que la bola
abierta B(x, r) es una vecindad de x.
Proposicin 1.9. f : A R
n
! R
m
es continua en x
0
2 R
n
si y slo si para toda vecindad U R
n
de f(x
0
)
existe una vecindad V R
n
) de x
0
tal que f(V \ A) U.
Demostracin. linea en blanco
()): Sea U una vecindad de f(x
0
). Entonces existe - > 0 tal que B(f(x
0
), -) U. Usando ahora la continuidad
de f en x
0
, para este - > 0 existe c > 0 tal que
kx x
0
k c y x 2 A )kf(x) f(x
0
)k -
Es decir
x 2 B(x
0
, c) y x 2 A ) f(x) 2 B(f(x
0
), -)
Si denimos V = B(x
0
, c), que es una vecindad de x
0
, obtenemos de aqu que
f(B(x
0
, c) \ A) = f(V \ A) U
((): Esta implicacin queda de tarea.
12
1.5. Diferenciabilidad de funciones de R
n
a R
m
1.5. Diferenciabilidad de funciones de R
n
a R
m
Consideremos f : A R
n
! R y x = (x
1
, . . . , x
j
, . . . , x
n
) 2 A, donde el conjunto A se supone abierto a n de
evitar complicaciones con cualquier nocin similar a la de derivadas laterales como suele hacerse en el clculo de
una variable. Para 1 j n jo, denimos la funcin:
f : R ! R
h 7! f(x +he
j
)
donde e
j
es el elemento j-simo de la base cannica de R
n
. Notamos que
x +he
j
= (x
1
, . . . , x
j1
, h +x
j
, x
j+1
, . . . , x
n
)
A esta funcin, siendo de R en R, le podemos aplicar la teora de diferenciabilidad desarrollada en el curso de
Clculo.
Denicin 1.18. Llamaremos derivada parcial de f con respecto a x
j
en x 2 R
n
a
0f
0x
j
(x) = lm
h!0
f(x +he
j
) f(x)
h
si dicho lmite existe. Cuando la derivada parcial de f con respecto a x
j
existe en todo punto de A, entonces ella
dene una funcin
0f
0x
j
: A R
n
!R
Nota 1.8. Como una derivada parcial es una derivada de una funcin de R en R, uno puede usar todas las reglas
de derivacin estudiadas en Clculo.
Ejemplo 1.14. Calcular la derivada parcial de la funcin f con respecto a x para
f(x, y) = x
4
y + sen(xy)
Solucin. Haciendo uso de la observacin anterior tendremos que
0f
0x
(x, y) = 4x
3
y + cos(xy)y

Ejemplo 1.15. Calcular la derivada parcial de la funcin f con respecto a x para f(x, y) =
xy
p
x
2
+y
2
.
Solucin. Para esto notamos que si (x, y) 6= (0, 0) entonces
0f
0x
(x, y) =
y
3
(x
2
+y
2
)
3/2
Si denimos f(0, 0) = 0 entonces podemos calcular tambin la derivada parcial de f con respecto a x en (0, 0). Aqu
usamos la denicin
0f
0x
(0, 0) = lm
h!0
f(h, 0) f(0, 0)
h
= lm
h!0
0
h
= 0

En la nocin de diferenciabilidad hay dos aspectos a considerar: el aspecto analtico y el aspecto geomtrico. Parece
tentador denir una funcin diferenciable en un punto como una funcin que posee todas sus derivadas parciales
en dicho punto. Sin embargo esta condicin no es suciente para producir una buena denicin, pues nos gustara
que al menos se cumplan las siguientes propiedades:
13
FCFM - Universidad de Chile
1. Si f es diferenciable en un punto entonces es posible denir un plano tangente al grafo de la funcin en dicho
punto. Este es el criterio geomtrico.
2. La composicin de funciones diferenciables es diferenciable. Este sera un criterio analtico.
Ejemplo 1.16. El siguiente ejempo ilustra las ideas anteriores. Consideremos la funcin denida por f(x, y) =
x
1
3
y
1
3
. Calculando las derivadas parciales por denicin obtenemos que estas existen y son
0f
0x
(0, 0) =
0f
0y
(0, 0) = 0
Uno esperara que el plano tangente a la funcin f en el punto (0, 0, 0) estuviera dado por la ecuacin z = 0, para ser
consecuentes con el valor de las derivadas parciales de f en el (0, 0). Sin embargo, este plano no puede ser tangente
al grafo de la funcin en (0, 0), pues sobre la recta y = x el grafo de f tiene pendiente innita en el origen.
Por otro lado, g : R !R
2
denida por g(x) = (x, x) es diferenciable en cero con g
0
1
(0) = g
0
2
(0) = 1, pero f g(x) = x
2
3
no es diferenciable en 0.
Concluimos de este ejemplo que la nocin de diferenciabilidad debe involucrar algo ms que la sola existencia de
las derivadas parciales en el punto.
Veamos ahora el aspecto geomtrico en R
2
para motivar la denicin en general. Supongamos que queremos ajustar
un plano tangente al grafo de f : R
2
! R en el punto (x
0
, y
0
, f(x
0
, y
0
)) 2 G(f). Es decir queremos encontrar
un plano en R
3
que pase por el punto y que tenga la misma inclinacin que el grafo de f en el punto. Para esto
consideremos un plano genrico z = a + bx + cy y deduzcamos de las condiciones que mencionamos antes el valor
de las constantes a, b y c. En primer lugar queremos que (x
0
, y
0
, z
0
) pertenezca al plano tangente, entonces
f(x
0
, y
0
) = z
0
= a +bx
0
+cy
0
Fijando la variable x
0
se debera tener que las recta z = a +bx
0
+cy debe ser tangente al grafo de z = f(x
0
, y) en
el punto y
0
. Esto implica que
0f
0x
(x
0
, y
0
) = b
De manera anloga
0f
0y
(x
0
, y
0
) = c
Es decir, el plano buscado es
z = f(x
0
, y
0
) +
0f
0x
(x
0
, y
0
)(x x
0
) +
0f
0y
(x
0
, y
0
)(y y
0
)
Denicin 1.19. Sea f : A R
2
! R, A abierto y (x
0
, y
0
) 2 A. Decimos que f es diferenciable en (x
0
, y
0
) si
existen las derivadas parciales
df
dx
(x
0
, y
0
) y
df
dy
(x
0
, y
0
) y el lmite
lm
(x,y)!(x0,y0)
|f(x, y) f(x
0
, y
0
)
df
dx
(x
0
, y
0
)(x x
0
)
df
dy
(x
0
, y
0
)(y y
0
)|
k(x, y) (x
0
, y
0
)k
= 0
existe.
Intuitivamente estamos pidiendo a f, para que sea diferenciable, que su grafo y el plano tangente al grafo en el
punto estn muy cerca, tan cerca que incluso al dividir su distancia por k(x, y) (x
0
, y
0
)k la fraccin todava es
pequea.
Vamos ahora al caso general:
14
1.5. Diferenciabilidad de funciones de R
n
a R
m
Denicin 1.20. Sea f : A R
n
! R
m
, A abierto y x
0
2 A. Entonces, si todas las derivadas parciales de todas
las funciones coordenadas existen en x
0
, podemos denir una matriz Df(x
0
) 2 M
mn
(R) como
(Df(x
0
))
ij
=
0f
i
0x
j
(x
0
)
Esta matriz se conoce como matriz Jacobiana o Diferencial de f en x
0
.
Denicin 1.21. Sea f : A R
n
! R
m
, A abierto y x
0
2 A. Decimos que f es diferenciable en x
0
si para todo
i = 1, . . . , m y para todo j = 1, . . . , n
dfi
dxj
(x
0
) existe y
lm
x!x0
kf(x) f(x
0
) Df(x
0
)(x x
0
)k
kx x
0
k
= 0 (1.6)
Usualmente la condicin (1.6) se escribe de manera equivalente como
lm
h!0
kf(x
0
+h) f(x
0
) Df(x
0
)hk
khk
= 0 (1.7)
Nota 1.9. En vista de la proposicin 1.8 tenemos que una funcin f : A R
n
!R
m
es diferenciable en x
0
2 A si
y slo si cada una de las funciones componentes f
i
: A R
n
!R es diferenciable en x
0
2 A.
La diferenciabilidad tiene que ver con la posibilidad de aproximar la funcin f(x) por una funcin lineal afn
L(x) = f(x
0
) + Df(x
0
)(x x
0
) cerca de x
0
. En ocasiones L se llama aproximacin de primer orden de f en x
0
.
Como ya vimos en el caso de n = 2 y m = 1, lo anterior se interpreta geomtricamente como la posibilidad de
ajustar el plano tangente al grafo de f en x
0
.
Ejemplo 1.17. Encuentre el plano tangente al grafo de f(x, y) = x
2
+y
2
en el punto (1, 1).
Solucin. Calculamos las derivadas parciales en (1, 1)
0f
0x
(1, 1) = 2x|
(1,1)
= 2 y
0f
0y
(1, 1) = 2y|
(1,1)
= 2
Entonces el plano tangente tiene por ecuacin
z = 2 + 2(x 1) + 2(y 1)
es decir
z = 2 + 2x + 2y

1.5.1. Aproximacin de primer orden


Si f : A R
n
!R
m
es una funcin diferenciable en x
0
2 A. Entonces la funcin lineal afn
L(h) = f(x
0
) +Df(x
0
)h
es una aproximacin de la funcin f(x
0
+ h) cerca de h = 0. No slo f(x
0
+ h) y L(h) = f(x
0
) + Df(x
0
)h son
muy parecidas, sino que adems
lm
h!0
h6=0
f(x
0
+h) L(h)
khk
= 0 (1.8)
En el caso m = 1 y n = 2 tenemos que
L(h) = L(h
1
, h
2
) = f(x
0
, y
0
) +
0f
0x
(x
0
, y
0
)h
1
+
0f
0y
(x
0
, y
0
)h
2
aproxima a f al primer orden cerca de (x
0
, y
0
).
15
FCFM - Universidad de Chile
Ejemplo 1.18. Encuentre una aproximacin de primer orden para la funcin f : R
2
! R denida por f(x, y) =
xcos(y) +e
xy
, cerca del punto (x
0
, y
0
) = (1, ).
Solucin. Tenemos f(1, ) = 1 +e

y
0f
0x
(1, ) = 1 + e

0f
0y
(1, ) = e

As la aproximacin de primer orden es


f(1 +a, +b) 1 +e

+ (1 + e

)a +e

Nota 1.10. En general, los vectores de R


n
deberan considerarse como vectores columna. De esta manera la matriz
Jacobiana y el producto Df(x
0
)h, h 2 R
n
tienen sentido. Sin embargo, cuando esto no lleve a confusin, muchas
veces escribiremos los vectores de R
n
como vectores la, por economa notacional.
1.5.2. Gradiente de una funcin
Denicin 1.22. La matriz Jacobiana de una funcin de R
n
en R es una matriz de 1 n
Df(x
0
) =
_
0f
0x
1
(x
0
)
0f
0x
2
(x
0
) . . .
0f
0x
n
(x
0
)
_
Es costumbre identicar esta matriz con un vector de R
n
llamado gradiente de f en x
0
. As
rf(x
0
) =

0f
0x
1
(x
0
), . . . ,
0f
0x
n
(x
0
)

t
Con esta notacin la aproximacin lineal tiene la siguiente forma
L(x) = f(x
0
) +rf(x
0
) (x x
0
)
1.5.3. Relacin entre continuidad y diferenciabilidad
A continuacin abordamos la relacin entre continuidad y diferenciabilidad. Al igual que en el caso de las funciones
de una variable, la diferenciabilidad es un concepto ms fuerte que el de continuidad, en el sentido que, toda funcin
diferenciable en un punto es tambin continua en dicho punto. Pero la relacin no termina all. Si bien la mera
existencia de las derivadas parciales de una funcin en un punto no garantiza su diferenciabilidad, en el caso que
esas derivadas parciales existen y son continuas en una vecindad de dicho punto entonces s hay diferenciabilidad
de la funcin.
Comencemos extendiendo la desigualdad de Cauchy-Schwarz al producto de una matriz por un vector. Sea A una
matriz en M
mn
(R) y x 2 R
n
. Entonces, usando la desigualdad de Cauchy-Schwarz obtenemos
kAxk
2
=
m

i=1
_
_
n

j=1
a
ij
x
j
_
_
2

i=1
_
_
n

j=1
a
2
ij
n

j=1
x
2
j
_
_
=
_
_
m

i=1
n

j=1
a
2
ij
_
_
kxk
2
(1.9)
Denicin 1.23. La desigualdad 1.9 sugiere denir la norma de una matriz A 2 M
mn
(R) como
kAk =

_
m

i=1
n

j=1
a
2
ij
(1.10)
(1.10) se conoce como norma Frobenius.
16
1.5. Diferenciabilidad de funciones de R
n
a R
m
Podemos resumir esto en la siguiente proposicin
Proposicin 1.10. Si A 2 M
mn
(R) y x 2 R
n
entonces
kAxk kAk kxk
Teorema 1.7. Sea f : A R
n
!R
m
y x
0
2 A. Entonces
f es diferenciable en x
0
) f es continua en x
0
Demostracin. Si f es diferenciable en x
0
entonces existe la matriz Jacobiana de f en x
0
y
lm
x!x0
kf(x) f(x
0
) Df(x
0
)(x x
0
)k
kx x
0
k
= 0
As dado - > 0, existe c > 0 tal que si kx x
0
k < c entonces:
kf(x) f(x
0
) Df(x
0
)(x x
0
)k < -kx x
0
k
Entonces, usando la desigualdad triangular y la proposicin 1.10, obtenemos
kf(x) f(x
0
)k -kx x
0
k +kDf(x
0
)(x x
0
)k (- +kDf(x
0
)k)kx x
0
k
De esta manera, si elegimos c
1
= min{c, -/(- +kDf(x
0
)k)} obtenemos
kx x
0
k < c
1
)kf(x) f(x
0
)k < -
es decir, f es continua en x
0
.
Corolario 1.2. Si f es diferenciable en x
0
entonces existen c y K tales que
kx x
0
k < 0 ) kf(x) f(x
0
)k Kkx x
0
k
Demostracin. Basta tomar - = 1 y K = 1 +kDf(x
0
)k en la demostracin del teorema.
Retomaremos esta propiedad cuando veamos ms adelante el teorema del valor medio.
Continuando con la relacin entre diferenciabilidad y continuidad consideremos una funcin f : A R
n
! R
m
y
x
0
2 A. Supongamos que las derivadas parciales de f existen no slo en x
0
sino que en una vecindad de V A de
x
0
. Entonces estas denen funciones
0f
i
0x
j
: V !R tal que x 7!
0f
i
0x
j
(x)
El siguiente teorema nos da una condicin suciente para que una funcin f sea diferenciable en x
0
.
Teorema 1.8. Sea f : A R
n
!R
m
tal que sus derivadas parciales existen en una vecindad de x
0
y son continuas
en x
0
. Entonces f es diferenciable en x
0
.
Para la demostracin vamos a utilizar el teorema A.5.
Demostracin. En vista de la nota 1.9, basta demostrar el teorema para m = 1. La demostracin en el caso general
para n es anloga al caso n = 2. Haremos la demostracin para el caso n = 2 y el caso general queda de tarea.
Consideremos
f(x
0
+h) f(x
0
) =
f(x
01
+h
1
, x
02
+h
2
) f(x
01
+h
1
, x
02
) +f(x
01
+h
1
, x
02
) f(x
01
, x
02
)
17
FCFM - Universidad de Chile
Fijemos x
01
+h
1
y supongamos que h
2
> 0. Denamos la funcin g : [0, h
2
] !R como g(s) = f(x
01
+h
1
, x
02
+s).
Como la derivada parcial con respecto a y existe en una vecindad de x
0
, si h es pequeo, la funcin g es derivable
en [0, h
2
]. Entonces, aplicando el teorema del valor medio (teorema A.5) a g existe c
2
2 [x
02
, x
02
+h
2
] tal que
f(x
01
+h
1
, x
02
+h
2
) f(x
01
+h
1
, x
02
) =
0f
0x
2
(x
01
+h
1
, x
02
+c
2
)
Si h
2
< 0 entonces se dene g en [h
2
, 0] y se procede de manera anloga. Notemos que en cualquier caso |c
2
| <
|h
2
| khk.
Por el mismo argumento, jando ahora x
02
se tendr que existe c
1
tal que |c
1
| < |h
1
| khk y
f(x
01
+h
1
, x
02
) f(x
01
, x
02
) =
0f
0x
1
(x
01
+c
1
, x
02
)
Y as, si anotamos x

1
= (x
01
+h
1
, x
02
+c
1
) y x

2
= (x
01
+c
1
, x
02
) tenemos
f(x
0
+h) f(x
0
) =
0f
0x
1
(x

1
)h
1
+
0f
0x
2
(x

2
)h
2
y de aqu
f(x
0
+h) f(x
0
) Df(x
0
)h =
_
0f
0x
1
(x

1
)
0f
0x
1
(x
0
)
_
h
1
+
_
0f
0x
2
(x

2
)
0f
0x
2
(x
0
)
_
h
2
(*)
Usemos ahora la continuidad de las derivadas parciales en x
0
. Dado - > 0 existe c
1
> 0 tal que
kx x
0
k < c
1
)

0f
0x
1
(x)
0f
0x
1
(x
0
)

<
-
p
2
y existe c
2
> 0 tal que
kx x
0
k < c
2
)

0f
0x
2
(x)
0f
0x
2
(x
0
)

<
-
p
2
Eligiendo c = min{c
1
, c
2
}, si khk < c entonces para k = 1, 2,
kx

k
x
0
k = |c
j
| < |h
j
| khk < c
y as

0f
0x
j
(x

k
)
0f
0x
j
(x
0
)

<
-
p
2
Reemplazando esta ltima igualdad en la ecuacin (*) y usando la desigualdad de Cauchy-Schwarz se obtiene
|f(x
0
+h) f(x
0
) Df(x
0
)h|

0f
0x
1
(x

1
)
0f
0x
1
(x
0
)

2
+

0f
0x
2
(x

2
)
0f
0x
2
(x
0
)

2
khk
de donde
|f(x
0
+h) f(x
0
) Df(x
0
)h|
_
-
2
2
+
-
2
2
khk = -khk

Denicin 1.24. f se dice de clase C


1
en x
0
2 A si f es diferenciable en x
0
y todas las derivadas parciales de f
son continuas en x
0
.
18
1.5. Diferenciabilidad de funciones de R
n
a R
m
Denicin 1.25. f : A R
n
!R
m
se dice diferenciable en A si f es diferenciable en cada punto de A. f se dice
de clase C
1
en A si f y todas sus derivadas parciales son continuas en A.
Ejemplo 1.19. f(x, y) =
cos(x)+e
xy
x
2
+y
2
es diferenciable en cada punto (x, y) 6= (0, 0) pues
df
dx
y
df
dy
existen y son
continuas en cualquier punto distinto del (0, 0).
Ejemplo 1.20. Las derivadas parciales de la funcin f(x, y) = x
1/3
y
1/3
estudiada anteriormente no estan denidas
en una vecindad del origen, menos pueden ser continuas.
Volvemos ahora a la idea de aproximacin que lleva el concepto de diferenciabilidad. Vimos que si f es diferenciable
en un punto x
0
entonces la funcin lineal afn L(h) = f(x
0
) +Df(x
0
)h aproxima a f en primer orden. Nos interesa
ahora la recproca.
Teorema 1.9. Sea f : A R
n
!R
m
una funcin continua en x
0
2 A y L una funcin lineal afn, L(h) = a+Bh
con a 2 R
m
y B 2 M
mn
(R). Supongamos que
lm
h!0
kf(x
0
+h) L(h)k
khk
= 0 (1.11)
Entonces a = f(x
0
) y B = Df(x
0
) y f es diferenciable en x
0
.
Demostracin. Por hiptesis
lm
h!0
kf(x
0
+h) L(h)k
khk
= 0
entonces se tiene en particular que
lm
h!0
f(x
0
+h) a Bh = 0
Como f es continua en x
0
, esto implica que f(x
0
) = a.
Por otra parte, eligiendo 1 j n, tenemos de la hiptesis que
lm
h!0
kf(x
0
+he
j
) f(x
0
) Bhe
j
k
khe
j
k
= 0
es decir,
lm
h!0
f(x
0
+he
j
) f(x
0
)
h
= Be
j
As, las derivadas parciales de las funciones coordenadas con respecto a x
j
existen y son iguales a la columna j-sima
de B. De aqu B = Df(x
0
). En vista de la hiptesis nuevamente, tenemos que f es diferenciable en x
0
.
Este teorema dice que cuando existe una aproximacin lineal de primer orden esta es nica. Es un teorema de
unicidad. Por otra parte este teorema es muy til para demostrar la diferenciabilidad de una cierta funcin. La idea
es que uno tiene una matriz B que es candidata a ser la matriz Jacobiana de f. Con dicha matriz uno demuestra
(1.11). y concluye la diferenciabilidad.
El siguiente es un teorema que permite combinar funciones diferenciables.
Teorema 1.10. Sean f, g : A R
n
!R
m
, x
0
2 A funciones tales que Df(x
0
) y Dg(x
0
) existen, entonces
1. D(f +g)(x
0
) existe y se tiene
D(f +g)(x
0
) = Df(x
0
) +Dg(x
0
) (1.12)
2. Si ` 2 R, D(`f)(x
0
) existe y se tiene
D(`f)(x
0
) = `Df(x
0
) (1.13)
3. Si m = 1, D(f g)(x
0
) existe y se tiene
D(f g)(x
0
) = g(x
0
)Df(x
0
) +f(x
0
)Dg(x
0
) (1.14)
19
FCFM - Universidad de Chile
4. Si m = 1 y f(x
0
) 6= 0, D(1/f)(x
0
) existe y se tiene
D(1/f)(x
0
) =
1
f
2
(x
0
)
Df(x
0
) (1.15)
Demostracin. Veamos una a una las propiedades:
1. (1.12) y (1.13) son consecuencia directa de la denicin de diferenciabilidad.
2. Una forma de demostrar es que se cumpla la ecuacin (1.8). Es decir,
lm
h!0
(f g)(x
0
+h) (f g)(x
0
) [g(x
0
)Df(x
0
) +f(x
0
)Dg(x
0
)]h
khk
= lm
h!0

f(x
0
+h)[g(x
0
+h) g(x
0
) Dg(x
0
)h]
khk
+
g(x
0
)[f(x
0
+h) f(x
0
) Df(x
0
)h]
khk
+
[f(x
0
+h) f(x
0
)]Dg(x
0
)h
khk

= lm
h!0
f(x
0
+h) lm
h!0
g(x
0
+h) g(x
0
) Dg(x
0
)h
khk
+g(x
0
) lm
h!0
f(x
0
+h) f(x
0
) Df(x
0
)h
khk
+ lm
h!0
[f(x
0
+h) f(x
0
)]
Dg(x
0
)h
khk
= 0
Como ya vimos para la aproximacin de primer orden, tenemos que el ltimo lmite se anula ya que
Dg(x
0
)h
khk
es acotado.
3. Nuevamente debemos vericar que se cumple (1.8).
lm
h!0
1
f(x0+h)

1
f(x0)
+
Df(x0)h
[f(x0)]
2
khk
= lm
h!0
f(x
0
)
2
f(x
0
+h)f(x
0
) +f(x
0
+h)Df(x
0
)h
f(x
0
+h)f(x
0
)
2
khk
= lm
h!0
1
f(x
0
+h)f(x
0
)
2

Df(x
0
)[f(x
0
+h) f(x
0
)] f(x
0
)[f(x
0
+h) f(x
0
) Df(x
0
)h]
khk
=
1
f(x
0
)
3
lm
h!0
[f(x
0
+h) f(x
0
)]
Df(x
0
)h
khk

1
f(x
0
)
2
lm
h!0
f(x
0
+h) f(x
0
) Df(x
0
)h
khk
= 0

Teorema 1.11. (Regla de la cadena)


Sean f : A R
n
!R
m
y g : B R
m
!R
p
tales que f es diferenciable en x
0
2 A y g diferenciable en f(x
0
) 2 B.
Entonces g f : A R
n
!R
p
es diferenciable en x
0
y
D(f g)(x
0
) = Dg(f(x
0
))Df(x
0
)
Demostracin. De acuerdo al teorema 1.9 basta demostrar que
lm
h!0
kg(f(x
0
+h)) g(f(x
0
)) Dg(f(x
0
))Df(x
0
)hk
khk
= 0
De la desigualdad triangular y de Cauchy-Schwarz tenemos que
kg(f(x
0
+h)) g(f(x
0
)) Dg(f(x
0
))Df(x
0
)hk
kg(f(x
0
+h)) g(f(x
0
)) Dg(f(x
0
))(f(x
0
+h) f(x
0
))k
+kDg(f(x
0
))k k(f(x
0
+h) f(x
0
) Df(x
0
)h)k.
20
1.5. Diferenciabilidad de funciones de R
n
a R
m
Por otro lado, como f es diferenciable en x
0
, dado - > 0 existe c
1
> 0 tal que
khk < c
1
)kf(x
0
+h) f(x
0
) Df(x
0
)hk
-
2kDg(f(x
0
))k
khk
y de aqu tambin obtenemos que existe K > 0 tal que
khk < c
1
)kf(x
0
+h) f(x
0
)k Kkhk
Usando la diferenciabilidad de g en f(x
0
) encontramos que existe c
2
> 0 tal que:
kak < c
2
)kg(f(x
0
) +a) g(f(x
0
)) Dg(f(x
0
))ak
-
2K
kak
Luego, escogiendo c = min{c
1
,
o2
K
}, si khk < c y considerando a = f(x
0
+h) f(x
0
) tendremos
kg(f(x
0
+h)) g(f(x
0
)) Dg(f(x
0
))(f(x
0
+h) f(x
0
))k
-
2K
kf(x
0
+h) f(x
0
)k

-
2K
Kkhk
=
-
2
khk
Y por lo tanto
khk < c )
kg(f(x
0
+h)) g(f(x
0
)) Dg(f(x
0
))Df(x
0
)hk
khk
-
La demostracin requiere que kDg(f(x
0
))k > 0. Indicar cmo hacerlo cuando es cero queda de tarea.
Ejemplo 1.21. (Caso particular)
Sean g : R
3
!R y f : R
3
!R
3
tal que
f(x, y, z) = (u(x, y, z), v(x, y, z), w(x, y, z))
Sea F(x, y, z) = g f(x, y, z) = g(u(x, y, z), v(x, y, z), w(x, y, z)). Calculemos
dF
dx
(x, y, z).
Solucin. Para esto usemos la regla de la cadena para obtener DF(x, y, z)
DF(x, y, z) = Dg(f(x, y, z))Df(x, y, z) =

0g
0u
,
0g
0v
,
0g
0w

_
du
dx
du
dy
du
dz
dv
dx
dv
dy
dv
dz
dw
dx
dw
dy
dw
dz
_

_
Entonces
0F
0x
=
0g
0u
0u
0x
+
0g
0v
0v
0x
+
0g
0w
0w
0x

Ejemplo 1.22. (Coordenadas esfricas)


Sea g : R
3
!R y consideremos el cambio de variables a coordenadas esfricas
x = r cos() sen(c)
y = r sen() sen(c)
z = r cos(c)
21
FCFM - Universidad de Chile
Denamos F(r, c, ) = g(r cos() sen(c), r sen() sen(c), r cos()). Queremos calcular las derivadas parciales de F
con respecto a r, y c.
Si miramos el cambio de variables como una funcin f : R
3
!R
3
, usando el ejemplo anterior se tendr:
0F
0r
=
0g
0x
cos() sen(c) +
0g
0y
sen() sen(c) +
0g
0z
cos(c)
0F
0c
=
0g
0x
r cos() cos(c)+
0g
0y
r sen() cos(c)
0g
0z
r sen(c)
0F
0
=
0g
0x
r sen() sen(c)+
0g
0y
r cos() sen(c)
Ejemplo 1.23. Sea h(x, y) = f(u(x, y), v(x, y)) donde la funcin f esta denida por f(u, v) =
u
2
+v
2
u
2
v
2
, y las funciones
u y v por u(x, y) = e
xy
y v(x, y) = e
xy
. Calcular
dh
dx
,
dh
dy
.
Solucin. Usando la regla de la cadena tenemos
0h
0x
=
0f
0u
0u
0x
+
0f
0v
0v
0x
=
4uv
2
(u
2
v
2
)
2
e
xy
+
4vu
2
(u
2
v
2
)
2
ye
xy
0h
0y
=
0f
0u
0u
0y
+
0f
0v
0v
0y
=
4uv
2
(u
2
v
2
)
2
e
xy
+
4vu
2
(u
2
v
2
)
2
xe
xy

Ejemplo 1.24. (Importante)


Sean f : R
3
!R, : R !R
3
y h : R !R de manera que: h(t) = f (t). Entonces:
dh
dt
=
0f
0x

1
+
0f
0y

2
+
0f
0z

3
= rf((t)) (t)
La funcin representa una curva en el espacio y su vector tangente.
Ejemplo 1.25. Consideremos las funciones
f(x, y) = (x
2
+ 1, y
2
)
g(u, v) = (u +v, u, v
2
)
Calcular D(g f)(1, 1).
Solucin. Usemos la regla de la cadena y calculemos
Dg(f(1, 1))Df(1, 1)
Df(x, y) =
_
2x 0
0 2y
_
y evaluando Df(1, 1) =
_
2 0
0 2
_
Evaluamos f(1, 1) = (2, 1) y luego calculamos
Dg(u, v) =
_
_
1 1
1 0
0 2v
_
_
que al evaluar nos da
Dg(f(1, 1)) = Dg(2, 1) =
_
_
1 1
1 0
0 2
_
_
22
1.5. Diferenciabilidad de funciones de R
n
a R
m
Entonces tenemos
D(g f)(1, 1) =
_
_
1 1
1 0
0 2
_
_
_
2 0
0 2
_
=
_
_
2 2
2 0
0 4
_
_
Una forma alternativa, que nos da evidentemente el mismo resultado, es desarrollar h primero
h(x, y) = g f(x, y) = (x
2
+y
2
+ 1, x
2
+ 1, y
4
)
y luego derivar y evaluar
Dh(x, y) =
_
_
2x 2y
2x 0
0 4y
3
_
_
entonces Dh(1, 1) =
_
_
2 2
2 0
0 4
_
_

Ejemplo 1.26. (Derivacin implcita)


Sean G : R
2
!R e y : R !R tales que
G(x, y(x)) = 0 8x 2 R entonces
0G
0x
+
0G
0y
dy
dx
= 0
Si
dG
dy
6= 0 entonces podemos despejar la derivada de y con respecto a x
dy
dx
=
dG
dx
dG
dy
Nota 1.11. Ms adelante veremos que dada la ecuacin
G(x, y) = 0
hay condiciones que garantizan la posibilidad de despejar y como funcin de x. Este criterio lo da el teorema de
la funcin implcita, que veremos ms adelante, y consiste en suponer que
dG
dx
es no nula. Notamos que justamente
este trmino aparece en el denominador de la derivada de y.
Ejemplo 1.27. Veamos ahora un caso de derivacin implcita con ms variables. Sean
G
1
(x, y
1
(x), y
2
(x)) = 0
G
2
(x, y
1
(x), y
2
(x)) = 0
donde G
1
, G
2
: R
3
! R y y
1
, y
2
: R ! R. Suponiendo que todas las funciones involucradas son diferenciables se
desea calcular y
1
(x) e y
2
(x).
0G
1
0x
+
0G
1
0y
1
y
1
+
0G
1
0y
2
y
2
= 0
0G
2
0x
+
0G
2
0y
1
y
1
+
0G
2
0y
2
y
2
= 0
Este es un sistema de 2 2 del cual podemos despejar las derivadas buscadas, bajo la hiptesis de invertibilidad
correspondiente:

y
1
y
2

=
1
dG1
dy1
dG2
dy2

dG2
dy1
dG1
dy2
_
_
dG2
dy2
dG1
dy1
dG2
dy1
dG1
dy2
_
_
_
_
dG1
dx
dG2
dx
_
_
23
FCFM - Universidad de Chile
Teorema 1.12. Una condicin necesaria y suciente para que
0f
0x
=
0f
0y
es que exista g tal que f(x, y) = g(x +y).
Demostracin. La suciencia de dicha condicin es evidente. Slo debemos vericar que la condicin tambin es
necesaria. Para esto consideremos el siguiente cambio de variables:
u = x +y, v = x y , x =
u +v
2
, y =
u v
2
y denamos
h(u, v) = f

u +v
2
,
u v
2

Tendremos que
0h
0v
(u, v) =
0f
0x
1
2
+
0f
0y

1
2

= 0
Es decir h no depende de v, y por lo tanto:
f(x, y) = h(x +y)

1.5.4. Teorema del valor medio en R


n
El teorema del valor medio para funciones de un intervalo [a, b] en R puede extenderse a varias variables. Esto
haremos a continuacin.
Teorema 1.13. (Teorema del valor medio en R
n
)
Sea f : A R
n
!R diferenciable en A y [a, b] A, donde [a, b] = {ta + (1 t)b : t 2 [0, 1]}. Entonces
kf(b) f(a)k sup
x2[a,b]
kDf(x)kkb ak
Demostracin. Denamos la funcin g : [0, 1] !R por g(t) = f(a+t(ba)). Ntese que g(0) = f(a) y g(1) = f(b).
Por denicin g es derivable y por regla de la cadena se obtiene
g
0
(t) = rf(a +t(b a)) (b a)
Como la funcin g satisface las hiptesis del teorema A.5 para funciones reales podemos concluir que existe t
0
2 (0, 1)
tal que g(1) g(0) = g
0
(t
0
)(1 0) y por lo tanto,
f(b) f(a) = rf(a +t
0
(b a)) (b a) (*)
Tomando mdulo y usando la desigualdad de Cauchy-Schwarz
|f(b) f(a)| krf(a +t
0
(b a))k kb ak
_
sup
x2[a,b]
krf(x)k
_
kb ak

Nota 1.12. El teorema anterior tambin se conoce como teorema de los incrementos nitos. Para una funcin con
valores en R
m
, no necesariamente se obtiene una igualdad como en el caso de una variable o como en (*). Esto no
es problema, pues su utilidad realmente viene del hecho que los incrementos se pueden acotar.
Si agregamos la hiptesis de que f es de clase C
1
entonces Df() es continua y como k k tambin lo es kDf()k ser
composicin de funciones continuas y por lo tanto continua de R en R y as alcanzar su mximo sobre un intervalo
cerrado. Luego
kf(b) f(a)k max
x2[a,b]
kDf(x)kkb ak
24
1.6. Gradiente y geometra
1.6. Gradiente y geometra
Recordemos que el gradiente f : A R
n
!R se dene como
rf(x
0
) =

0f
0x
1
(x
0
), . . . ,
0f
0x
n
(x
0
)

El gradiente se dene generalmente slo en puntos donde f es diferenciable, an cuando basta que existan las
derivadas parciales para determinarlo.
Ejemplo 1.28. Calcular el gradiente de f(x, y, z) =
_
x
2
+y
2
+z
2
= r.
Solucin.
0f
0x
=
2x
2
_
x
2
+y
2
+z
2
=
x
_
x
2
+y
2
+z
2
0f
0y
=
2y
2
_
x
2
+y
2
+z
2
=
y
_
x
2
+y
2
+z
2
0f
0z
=
2z
2
_
x
2
+y
2
+z
2
=
z
_
x
2
+y
2
+z
2
rf(x, y, z) =
1
_
x
2
+y
2
+z
2
(x, y, z) = r

Consideremos a continuacin un vector unitario v (con kvk = 1) y miremos la funcin:


t !f(x
0
+tv)
Esta es una funcin de una variable y uno puede preguntarse sobre su diferenciabilidad en t = 0, es decir sobre la
existencia del lmite
lm
t!0
f(x
0
+tv) f(x
0
)
t
esto da lugar a la siguiente denicin
Denicin 1.26. Si el lmite
lm
t!0
f(x
0
+tv) f(x
0
)
t
existe decimos que f tiene derivada direccional en x
0
, en la direccin v. A este lmite se lo anota usualmente como
Df(x
0
, v) o
df
dv
(x
0
). Un caso particular de derivada direccional son las derivadas parciales.
Proposicin 1.11. Si f : A R
n
!R es una funcin diferenciable, A abierto y x
0
2 A entonces f tiene derivadas
direccionales bien denidas en cualquier direccin unitaria v y
Df(x
0
, v) =
n

i=1
0f(x
0
)
0x
i
v
i
Demostracin. Denamos g : R !R por
g(t) = f(x
0
+tv)
entonces, por la denicin de derivada tenemos que
g
0
(0) = lm
t!0
g(t) g(0)
t
=
f(x
0
+tv) f(x
0
)
t
) g
0
(0) = Df(x
0
, v) (*)
25
FCFM - Universidad de Chile
Por otra parte, g(t) = f(x) con x = (x
01
+tv
1
, . . . , x
0n
+tv
n
) y aplicando la regla de la cadena se obtiene
g
0
(t) =
n

i=1
0f(x)
0x
i
0x
i
0t
=
n

i=1
0f(x)
0x
i
v
i
para t = 0 se obtiene
g
0
(0) =
n

i=1
0f(x
0
)
0x
i
0x
i
0t
=
n

i=1
0f(x
0
)
0x
i
v
i
(**)
De (*) y (**) se concluye
Df(x
0
, v) =
n

i=1
0f(x
0
)
0x
i
v
i
y utilizando la notacin del gradiente nos queda
Df(x
0
, v) = rf(x
0
) v

La siguiente proposicin nos sirve para jar ideas y resume lo que ya se ha expuesto.
Proposicin 1.12. Sea f : A R
2
!R, con A abierto y (0, 0) 2 A, una funcin continua y con derivadas parciales
continuas en (0, 0). Podemos dar las siguientes propiedades, de fcil vericacin, que no son conclusivas sobre la
diferenciabilidad de la funcin f en (0, 0):
1. Derivadas parciales continuas en (0, 0) ) diferenciabilidad en (0, 0).
No nos sirve para concluir diferenciabilidad, pues las derivadas parciales son continuas y no tenemos ms
detalles. Tampoco nos sirve para mostrar que no es diferenciable, pues se trata de una condicin suciente
para diferenciabilidad, no de una condicin necesaria.
2. Diferenciabilidad en (0, 0) ) las derivadas parciales existen en (0, 0).
No nos sirve para probar que la funcin no es diferenciable, pues las derivadas parciales pueden existir en
todos los puntos y an as la funcin puede ser no diferenciable. Tampoco sirve para probar diferenciabilidad,
ya que es una propiedad que caracteriza una condicin necesaria y no suciente para diferenciabilidad.
Una propiedad conclusiva sobre la diferenciabilidad es la siguiente: Si f es diferenciable en (0, 0) entonces f tiene
derivadas direccionales bien denidas en (0, 0). Si se tiene alguna direccin, por ejemplo v = (1, 0), en la que la
derivada direccional no est bien denida entonces la funcin no es diferenciable en (0, 0).
Ejemplo 1.29. Consideremos la funcin
f(x, y) = x
1
2
y
1
2
La funcin es continua en (0, 0) ya que si (x
n
, y
n
) !(0, 0) se tiene
|f(x
n
, y
n
) f(0, 0)| = |x
1
2
||y
1
2
| !0
entonces
lm
n!1
f(x
n
, y
n
) = f(0, 0)
como la sucesin es arbitraria,
lm
(x,y)!(0,0)
f(x, y) = f(0, 0)
y se concluye que f es continua en (0, 0).
Para la continuidad de las derivadas parciales consideremos lo siguiente: Sea v = (v
1
, v
2
) tal que kvk = 1, entonces
Df[(0, 0); v] = lm
t!0
f[(0, 0) +tv] f(0, 0)
t
= v
1
2
1
v
1
2
2
26
1.6. Gradiente y geometra
En particular, evaluando en v = (1, 0) y v = (0, 1) se obtienen respectivamente
0f
0x
(0, 0) = 0 y
0f
0y
(0, 0) = 0
De acuerdo al teorema 1.11 se esperara que
Df[(0, 0); v] = rf(0, 0) v = 0
Sin embargo, la derivada direccional obtenida nos dice que en la direccin v = (1, 1) se obtiene Df[(0, 0); v] = 1 lo
que indica que f no es diferenciable en (0, 0) (ntese que kvk
1
= 1).
El signicado geomtrico de la derivada direccional lo podemos ver en el siguiente ejemplo:
Ejemplo 1.30. Encontrar la derivada direccional D
v
f(x, y) de f(x, y) = x
3
3xy + 4y
2
si v es el vector unitario
dado por el ngulo = /4. Cul es el valor de D
v
f(1, 2)?
Solucin. A partir de D
v
f(x, y) = f
x
cos() +f
y
sen() se obtiene
D
v
f(x, y) = (3x
2
3y)
1
p
2
+ (3x + 8y)
1
p
2
=
1
p
2
[3(x
2
x) + 5y]
Luego evaluamos en (x
0
, y
0
) = (1, 2)
D
v
f(1, 2) = 5
p
2
La derivada direccional D
v
f(1, 2) representa la razn de cambio en la direccin v. Esta es la pendiente de la recta
tangente a la curva de interseccin de la supercie z = x
3
3xy + 4y
2
y el plano vertical que pasa por (1, 2, 0) en
la direccin v como se ilustra en el siguiente grco:
x
y
z
1
2

v
Figura 1.3.: Interpretacin geomtrica de la derivada direccional

Df(x
0
, v) corresponde a la derivada de la restriccin de f a la recta
L : x = x
0
+tv
En el caso en que f es diferenciable en x
0
entonces la derivada direccional existe en cualquier direccin y se puede
calcular como:
Df(x
0
, v) = rf(x
0
) v
27
FCFM - Universidad de Chile
Notemos que hemos considerado v unitario. Esto se hace para no distorsionar la escala espacial entre f(x
0
) y
f(x
0
+tv).
Ejemplo 1.31. Calcular la razn de cambio de la funcin f en la direccin v = (
1
p
3
,
1
p
3
,
1
p
3
) en el punto (1, 0, 0)
para
f(x, y, z) = x
2
e
yz
Solucin. Se pide calcular r = rf(1, 0, 0) (1/
p
3, 1/
p
3, 1/
p
3). Para ello calculamos las derivadas parciales
0f
0x
= 2xe
yz
0f
0y
= x
2
ze
yz
0f
0z
= x
2
ye
yz
Evaluando obtenemos rf(1, 0, 0) = (2, 0, 0) )r = (2, 0, 0)(
1
p
3
,
1
p
3
,
1
p
3
) =
2
p
3

El siguiente teorema nos muestra un importante aspecto geomtrico del gradiente.
Teorema 1.14. Si rf(x
0
) 6= 0 entonces rf(x
0
) apunta en la direccin en la cual f crece ms rapidamente.
Demostracin. Sea v vector unitario, entonces la razn de cambio de f en la direccin de v es
rf(x
0
) v = krf(x
0
)kkvk cos
= krf(x
0
)k cos
Donde es el ngulo entre v y rf(x
0
). Este ngulo es mximo cuando v y rf(x
0
) son paralelos.
Otro aspecto geomtrico importante del gradiente viene en el estudio de supercies. Sea F : A R
n
! R una
funcin diferenciable y consideremos el conjunto
S = {x 2 R
n
: F(x) = k}
Este conjunto es, en general, una supercie si n = 3 y una hipersupercie si n > 3.
El vector rF(x
0
) es ortogonal a la supercie en x
0
.
La idea geometrica es la siguiente: Supongamos que c : R !R
n
es una funcin diferenciable, es decir es una curva
suave en R
n
. Supongamos adems que c est sobre S es decir:
F(c(t)) = k 8t
Si c(t
0
) = x
0
entonces derivando y evaluando en x
0
rF(x
0
) c
0
(t
0
) = 0
c
0
(t
0
) es una direccin tangente a la supercie, y como c es una curva cualquiera rF(x
0
) debe ser ortogonal al
plano tangente a la supercie.
Denicin 1.27. Sea F : A R
n
! R diferenciable. Si F(x
0
) = 0 , rF(x
0
) 6= 0, se dene el plano tangente a
S = {x 2 A : F(x) = k} en x
0
como:
rF(x
0
) (x x
0
) = 0
Nota 1.13. Ciertamente, si F(c(t)) = 0 y c(0) = x
0
entonces c
0
(t
0
) +x
0
est en el plano tangente.
28
1.6. Gradiente y geometra
Se puede demostrar que si una direccin v est en el plano tangente, entonces existe c tal que x = c
0
(t
0
) +x
0
Esta
propiedad geomtrica es muy importante y su demostracin la postergaremos hasta que hayamos demostrado el
teorema de la funcin implcita.
Ejemplo 1.32. Encontrar el plano tangente a la supercie
x
2
+y
2
+z
2
1 = 0 en (1, 0, 0)
Solucin.
rF(1, 0, 0) = (2x, 2y, 2z)|
(1,0,0)
= (2, 0, 0)
Entonces el plano tangente es
rF(1, 0, 0) (x 1, y 0, z 0) = 0
es decir,
x = 1

Ejemplo 1.33. Hallar un vector normal a la supercie denida por:


2xy
3
z +z ln x +y sen y = 0
en (1, 2, 0).
Solucin. Ciertamente el punto (1, 2, 0) est en la supercie. Para encontrar un vector normal derivamos
rF(x, y, z) =

2y
3
z +
z
x
, 6xy
2
z +y cos y + sen y, 2xy
3
+ ln x

y evaluamos en (1, 2, 0) para obtener


rF(1, 2, 0) = (0, 1, 2(2)
3
)
Como vimos, el gradiente rF(1, 2, 0) = (0, 1, 2(2)
3
) es normal a la supercie.
1.6.1. Caso del grafo de una funcin
En el caso que f : A R
n
!R, de la denicin 1.6 tenemos que el grafo de f corresponde a:
G(f) = {(x, f(x)) : x 2 A} = {(x, z) : z = f(x)}
Si denimos
F(x, z) = z f(x)
entonces las dos deniciones de plano tangente que hemos dado son coherentes. En efecto:
rF(x, z) =

0f
0x
1
, . . . ,
0f
0x
n
, 1

Entonces el plano tangente queda determinado por


rF(x, z
0
)((x, z) (x
0
, z
0
)) = 0
es decir,
rf(x
0
)(x x
0
) + (z z
0
) = 0
o sea, z = z
0
+rf(x
0
)(x x
0
). Notar bien que el vector (rf(x
0
), 1) es ortogonal al grafo de f en (x
0
, f(x
0
))
29
FCFM - Universidad de Chile
Ejemplo 1.34. Encontrar el plano tangente al grafo de la funcin:
f(x, y, z, t) = xe
yt
+ cos zt
en (3, 0, 0, 3).
Solucin. Tenemos que f(3, 0, 0, 3) = 3 + 1 = 4. Adems, derivando obtenemos
rf(x, y, z, t) = (e
yt
, xte
yt
, t sen(zt), xye
yt
z sen(zt))
y evaluando
rf(3, 0, 0, 3) = (1, 9, 0, 0)
En consecuencia el plano tangente es
w 4 = 1 (x 3) + 9(y 0) + 0(z 0) + 0(t 3)
y simplicando
w 4 = x 3 + 9y 9y +x w = 1

Ejemplo 1.35. Hallar un vector unitario, normal a la supercie S dada por


z = x
2
y
2
+y + 1
en (0, 0, 1).
Solucin. F = z x
2
y
2
y 1 = 0 y sus derivadas parciales son
0F
0x
= 2xy
2
,
0F
0y
= 2x
2
y 1 ,
0F
0z
= 1
Evaluando en (0, 0, 1) obtenemos rF(0, 0, 1) = (0, 1, 1) y de aqu v =
1
p
2
(0, 1, 1) es normal unitario.
1.7. Ejercicios
Funciones con valores en R
m
Ejercicio 1. Graque:
1. El grafo de la funcin de dos variables denida por f(x, y) = x
2
y
2
.
2. Las supercies de nivel para la funcin de tres variables denida por f(x, y, z) = x
2
+y
2
z
2
.
3. Las curvas de nivel de la funcin f(x, y) = x
2
y
2
.
4. Las curvas de nivel de la funcin f(x, y) = x
3
3xy
2
.
Ejercicio 2. Sea f denida por la siguiente frmula:
f(x
1
, x
2
) =
_
x1
p
x
2
1
x2
si (x
1
, x
2
) 6= 0
0 si (x
1
, x
2
) = 0
1. Encuentre el conjunto donde se puede denir f, es decir Dom(f). Graque.
2. Determine las curvas de nivel de f.
3. Determine si f es continua en (0, 0).
30
1.7. Ejercicios
Ejercicio 3. Encuentre los conjuntos de nivel para las siguientes funciones (para los niveles que se indican).
1. f(x, y) = x +y para f(x, y) = 1.
2. f(x, y) = (x
2
+y
2
+ 1)
2
4x
2
para f(x, y) = 0.
3. f(x, y, z) = (xyz, x +y) para f(x, y, z) = (0, 1).
Ejercicio 4. Sea
f(u, v) = (ucos(v), usen(v))
con /2 < v < /2 y
g(x, y) = (
_
x
2
+y
2
, artan(y/x))
para x > 0.
1. Encontrar D(g f)(u, v) y D(f g)(x, y).
2. Determinar si Dom(f) = Dom(g f), y si Dom(g) = Dom(g f).
Ejercicio 5. Sea g : R
3
!R
2
y f : R
2
!R
2
donde g(1, 1, 1) = (2, 3).Se tiene que
Df(2, 3) =
_
1 2
2 1
_
y f g(x, y, z) =
_
xy
2
z
2
x
2
y
2
z
_
En base a esto calcule
dg2
dy
(1, 1, 1).
Lmites y continuidad
Ejercicio 6. Determines si las siguientes funciones admiten lmite en los puntos que se indican
1. f(x, y) = 2xy
x
2
y
2
x
2
+y
2
en (x
0
, y
0
) = (0, 0)
2. f(x, y) =
sen(x)sen(y)
xy
en (x
0
, y
0
) = (0, 0)
3. f(x, y) =
xy
2
x
2
+y
4
en (x
0
, y
0
) = (0, 0)
Ejercicio 7. Determine la existencia del lmite de las siguientes funciones f : R
2
!R en (0, 0):
1.
xy
2
x
2
+y
2
2. 2xy
x
2
y
2
x
2
+y
2
3.
xy
2
x
2
+y
4
4.
tan(x)tan(y)
cot(x)cot(y)
5. |x|
_
x
2
+y
2
x
2
y
2
6. |x|
_
x
2
y
2
x
2
+y
2
7.
xy
2
(x
2
+y
2
)
p
x
2
+y
2
8.
sen(xy)
xy
3
Ejercicio 8. Sea lm
x!x0
f(x) = 3. Demuestre usando - c que
lm
x!x0
f
3
(x) = 27
Ejercicio 9. Demuestre la siguiente caracterizacin de funciones continuas en A:
f es continua en A s y slo s la preimagen de todo abierto de R
m
es la interseccin de A con un abierto de R
n
.
Ejercicio 10. Determine los puntos cr

ticos de la funcin
f(x, y, z) = x
3
xz +yz y
3
+ 2z
3
En base a su resultado determine la continuidad de f.
31
FCFM - Universidad de Chile
Ejercicio 11. Sean f, g, h : R
2
!R tres funciones continuas. Se dene la funcin F : R
2
!R por
F(x, y) = h(f(x, y), g(x, y))
Demuestre que F es continua.
Ejercicio 12. Determine la continuidad de las siguientes funciones:
1. f(x, y) =
_
x
x+y
si x +y 6= 0
1 si x +y = 0
2. f(x, y, z) = x
3
ln(x
3
y +z) + sen(z
2
+x)
Ejercicio 13. Para este ejercicio y el siguiente recordemos la siguiente propiedad: Sobre un e.v.n. E una funcin
f : E !R es continua en x
0
si
8- > 0 9c > 0 kx x
0
k < c )|f(x) f(x
0
)| < - ,
8- > 0 9c > 0 B(x
0
, c) f
1
(B(f(x
0
, -)))
Sea L : R
n
!R
m
una funcin lineal. Demuestre que las siguientes proposiciones son equivalentes:
1. L es continua en todo punto de R
n
.
2. L es continua en 0, d.
3. kL(x)k es acotada si x 2 B(0, 1).
Ejercicio 14. Sea L : E !R una funcin lineal. Demuestre que las siguientes proposiciones son equivalentes.
1. L es continua en E.
2. L es continua en 0 2 E.
3. sup
x2E,x6=0
|Lx|
kxk
= sup
kxk1
|Lx| < +1
Ejercicio 15. Sea f : R
n
!R
m
denida por f(x) = a +Ax, donde a 2 R
n
y A 2 M
mn
(R). Demuestre que:
1. f es continua en R
n
.
2. f es diferenciable en todo x y Df(x) = A.
Ejercicio 16. Sea f : R
n
!R
m
. Pruebe que las siguientes proposiciones son equivalentes:
1. f es continua en todo punto de R
n
.
2. (8A R
m
abierto) f
1
(A) es abierto en R
n
.
3. (8B R
m
cerrado) f
1
(A) es cerrado en R
n
.
Indicacin. Para la segunda pruebe antes que f
1
(A
C
) = f
1
(A)
C
.
Diferenciabilidad de funciones de R
n
a R
m
Ejercicio 17. Demuestre por denicin que f(x, y) = sen(x +y) es diferenciable en (0, 0).
Ejercicio 18. Encuentre la matriz Jacobiana de la funcin denida por
f(x, y) = (xe
y
, x
2
+y cos(x +y), tanh(xy))
Ejercicio 19. Sea f : R
2
!R denida por:
32
1.7. Ejercicios
1. f(x, y) =
_
x
x+y
si x +y 6= 0
1 si x +y = 0
2. f(x, y) =
_
|x|
y
2
exp

|x|
y
2

si y 6= 0
0 si y = 0
3. f(x, y) =
_
(xy)
2
(xy)
2
+(xy)
2
si y 6= 0
0 si y = 0
4. f(x, y) =
_
xy
3
x
3
+y
3
si x 6= y
0 si x = y
5. f(x, y) =
_
xy
2
x
2
+y
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
6. f(x, y) =
_
xy
2
sen

1
xy

si xy 6= 0
k si xy = 0
7. f(x, y) =
_
y
x
2
y
2
x
2
+y
2
si (x, y) 6= 0
k si (x, y) = 0
8. f(x, y) =
_
xy
k
x
2
+y
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
En cada uno de los casos:
1. Determine la continuidad de f y determine, en los casos que corresponda, las condiciones sobre los parametros
para que se cumpla la continuidad.
2. Determine la diferenciabilidad de f y determine, en los casos que corresponda, las condiciones sobre los
parametros para que se cumpla la diferenciabilidad. Calcule todas sus derivadas parciales (si existen).
3. Determine la continuidad de las derivadas parciales.
4. Calcule las segundas derivadas de f en los casos que sea posible y en caso de que las derivadas cruzadas no
sean simtricas explique por qu.
Ejercicio 20. Sea S = {x 2 R
2
: kxk = 1}. Sea g : S !R una funcin continua tal que
g(1, 0) = g(0, 1) = 0 y g(x) = g(x), 8x 2 R
2
Sea f : R
2
!R la funcin denida por
f(x) =
_
kxkg

x
kxk

si x 6= 0
0 si x = 0
1. Dado a 2 R
2
demuestre que la funcin h(t) = f(ta), t 2 R es diferenciable.
2. Es f diferenciable en (0, 0)?
Ejercicio 21. Segn los teoremas vistos en la seccin 1.5 tenemos las siguientes implicaciones:
1. Derivadas parciales continuas en x
0
) f diferenciable en x
0
) f es continua en x
0
.
2. f diferenciable en x
0
) existen todas las derivadas parciales en x
0
.
Encontrar ejemplos donde se muestra que las recprocas de a) y b) son falsas.
Ejercicio 22. Sea c : R
2
!R
2
una funcin de clase C
1
(R
2
, R
2
), tal que sus componentes c
1
, y c
2
verican
0c
2
0y
=
0c
1
0x
y
0c
2
0x
=
0c
1
0y
Sea h : R
2
!R una funcin de clase C
1
(R
2
, R). Se dene la funcin f : R
2
!R por f = h c. Demuestre que
hrf(x, y), rc
1
(x, y)i =
0h
0u
(c(x, y)) krc
1
(x, y)k
2
.
33
FCFM - Universidad de Chile
Ejercicio 23. Una funcin u = f(x, y) con segundas derivadas parciales continuas que satisfaga la ecuacin de
Laplace
0
2
u
0x
2
+
0
2
u
0y
2
= 0
se llama funcin armnica. Determinar cuales de las siguientes funciones son armnicas.
1. u(x, y) = x
3
3xy
2
2. u(x, y) = sen(x) cosh(y)
3. u(x, y) = e
x
sen(y).
Ejercicio 24. Si g(x, y) = e
x+y
, f
0
(0) = (1, 2), encontrar F
0
(0) donde
F(t) = g(f(t)) (f : R !R
2
) y f(0) = (1, 1)
Ejercicio 25. Si f(x, y, z) = sen(x), F(t) = (cos(t), sen(t), t), encontrar g
0
() donde g(t) = f(F(t)).
Gradiente y geometra
Ejercicio 26. Sea f : R
2
! R continua y diferenciable. Sea G
f
= {[(x, y), f(x, y)] : (x, y) 2 Dom(f)} el grafo de
f. Sea F : R
3
!R tal que F(x, y, z) = z f(x, y).
1. Muestre que G
f
corresponde a un conjunto de nivel de F.
2. Demuestre que rF = (
df
dx
,
df
dy
, 1).
3. Encuentre el vector normal y el plano tangente a G
f
cuando f(x, y) = x +ye
x
en el punto (1, 1).
Ejercicio 27. Encontrar el gradiente rf en cada uno de los siguientes casos.
1. f(x, y) = log
x
y
2. f(x, y) = x
2
y
2
sen(y) en (a, b)
3. f(x, y, z) = x
2
+y
2
z
2
4. f(x, y) = (e
x
cos(y), e
x
sen(y))
5. f(x, y, z) = (x ln(x), e
sen(y)
, |z
3
|)
6. f(x, y, z) = (5x
4
z
2
, 2yz
3
+ 3y
2
, 3y
2
z
2
)
7. f(x, y, z) = (x
2
+y
2
, xyz, z
ln(x)
)
Ejercicio 28. Encontrar la derivada direccional para las siguientes funciones en la direccin u que se indica y en
el punto a dado:
1. f(x, y, z) = xyz, v = (cos() sen(a), sen() sen(a), cos(a)) y a = (1, 0, 0).
2. f(x, y) = e
x
sen(y), u = (cos(), sen()) y a = (1, 0).
3. f(x, y, mz) = x
2
+ye
z
, u direccin unitaria determinada por la recta tangente a la curva g(t) = (3t
2
+t+1, 2
t
, t
2
)
en g(0) y a = (1, 1, 0).
Ejercicio 29. Encuentre 3 casos en los que una funcin f : R
3
!R tenga derivadas direccionales en un punto x
0
,
sin ser diferenciable en x
0
.
Ejercicio 30. Sea f : R
2
!R la funcin denida por
f(x, y) =
_
(x
2
+y
2
) sen

1
(x
2
+y
2
)
1/2

(x, y) 6= (0, 0)
0 (x, y) = (0, 0)
1. Calcular rf(0, 0).
34
1.7. Ejercicios
2. Probar que f es diferenciable en (0, 0).
3. Probar que
df
dx
y
df
dy
no son continuas en (0, 0).
Ejercicio 31. Sean f y g funciones de R
3
!R. Suponer que f es diferenciable y rf(x) = g(x) x. Mostrar que f
es constante para las esferas centradas en el origen.
Ejercicio 32. Hallar la ecuacin para el plano tangente a cada supercie z = f(x, y) en el punto indicado:
1. z = x
3
+y
3
6xy en (1, 2, 3).
2. z = cos(x) sen(y) en (0, /2, 1)
Ejercicio 33. Calcular para los siguientes casos la direccin de mayor crecimiento en (1, 1, 1).
1. f(x, y, z) = xy +yz +xz
2. f(x, y, z) =
1
x
2
+y
2
+z
2
Ejercicio 34. Sean f(x, y) = x
2
+ y
2
y g(x, y) = e
xy
. Determine los puntos (x, y) donde la derivada direccional
de f en la direccin de mximo crecimiento de g es igual a la derivada direccional de g en la direccin de mximo
crecimiento de f.
Ejercicio 35. Considere las funciones
f(x, y) = (tan(x +y), 1 +xy, e
x
2
+y
) y g(u, v, w) = sen(uv + w)
Sea h = g f. Calcule la ecuacin del plano tangente a h en (0, 0, 0)
35
CAPTULO 2
Derivadas de Orden Superior
Estudiaremos las segundas derivadas y derivadas ensimas de funciones de varias variables para luego extendernos
con una generalizacin de la aproximacin de Taylor. Ambos conceptos nos permitirn ver de forma introductoria
la convexidad de funciones y criterios de primer y segundo orden para la optimizacin con y sin restricciones.
2.1. Derivadas de orden superior y teorema de Taylor
Sea f : A R
n
!R una funcin diferenciable en A, entonces
0f
0x
i
: A R
n
!R
dene una funcin. Como tal esta funcin puede tener derivadas parciales y tambin ser diferenciable. Cuando
df
dxi
tiene derivada parcial con respecto a x
j
en x
0
, esta la anotamos como
0
0x
j

0f
0x
i

=
0
2
f
0x
j
0x
i
Ejemplo 2.1. Calcular
d
2
f
dxdy
y
d
2
f
dx
2
si f(x, y) = ln(x
2
+y
2
).
Solucin.
0f
0x
=
2x
x
2
+y
2
y
0
2
f
0y0x
=
2x(2y)
(x
2
+y
2
)
2
Entonces
0
2
f
0x
2
=
2(x
2
+y
2
) 2x(2x)
(x
2
+y
2
)
2
=
y
2
x
2
(x
2
+y
2
)
2
0
2
f
0y0x
=
2x(2y)
(x
2
+y
2
)
2
Pero tambin podemos calcular
0
2
f
0x0y
=
2y(2x)
(x
2
+y
2
)
2
Notemos que en este caso
d
2
f
dxdy
=
d
2
f
dydx
. Esto no es slo coincidencia como veremos en ms adelante.
Tambin podemos observar que
0
2
f
0x
2
+
0
2
f
0y
2
= 0
37
FCFM - Universidad de Chile
Por esta razn la funcin f se dice armnica. La combinacin
4f =
0
2
f
0x
2
+
0
2
f
0y
2
se conoce como el Laplaciano de f.
Denicin 2.1. Se dene el laplaciano de f : R
n
!R como:
4f(x) =
n

i=1
0
2
f
0x
2
i
Para x = (x
1
, . . . , x
n
) 2 R
n
.
Recordemos que f se dice de clase C
1
en un dominio A si f es diferenciable en A y todas sus derivadas parciales
son continuas en A.
Denicin 2.2. f se dir dos veces diferenciables en x
0
si f es diferenciable en una vecindad de x
0
y todas sus
derivadas parciales son diferenciables en x
0
. f se dir de clase C
2
en A si todas sus segundas derivadas parciales
son continuas en A.
Es fcil extender estas deniciones a rdenes superiores.
A continuacin veremos uno de los resultados ms importantes de esta seccin que dice relacin con la posibilidad
de intercambiar el orden de las derivadas
Teorema 2.1. (Teorema de Schwarz)
Sea f : A R
n
! R una funcin dos veces continua y diferenciable en A. Si las segundas derivadas parciales son
continuas en x
0
2 A entonces:
0
2
f
0x
j
0x
i
(x
0
) =
0
2
f
0x
i
0x
j
(x
0
) 8i, j = 1, . . . , n
Demostracin. Una pequea reexin lleva a concluir que basta estudiar el n = 2. Dado x
0
= (x
01
, x
02
) 2 A y
h = (h
1
, h
2
) 2 R
2
, khk < r, denimos F : B(0, r) !R de la siguiente forma
F(h
1
, h
2
) = [f(x
01
+h
1
, x
02
+h
2
) f(x
01
+h
1
, x
02
)] [f(x
01
, x
02
+h
2
) f(x
01
, x
02
)]
Notemos que F queda bien denida para r pequeo. Sea g(t) = f(t, x
02
+h
2
) f(t, x
02
). Entonces por el teorema
del valor medio (teorema 1.13) existe h
0
1
tal que |h
0
1
| < kxk y
F(h
1
, h
2
) = g(x
01
+h
1
) g(x
01
) = g
0
(x
01
+h
0
1
)h
1
y entonces
F(h
1
, h
2
) =
_
0f
0x
(x
01
+h
0
1
, x
02
+h
2
)
0f
0x
(x
01
+h
0
1
, x
02
)
_
h
1
Usando nuevamente el teorema del valor medio encontramos h
0
2
tal que |h
0
2
| < |h
2
| khk y entonces
F(h
1
, h
2
)
h
1
h
2
=
0
2
f
0y0x
(x
01
+h
0
1
, x
02
+h
0
2
)
Pero uno tambin puede escribir F de la siguiente manera
F(h
1
, h
2
) =
[f(x
01
+h
1
, x
02
+h
2
) f(x
01
, x
02
+h
2
)] [f(x
01
+h
1
, x
02
) f(x
01
, x
02
)]
38
2.1. Derivadas de orden superior y teorema de Taylor
y podemos repetir la misma aplicacin del teorema del valor medio para probar que
F(h
1
, h
2
)
h
1
h
2
=
0
2
f
0x0y
(x
01
+h
00
1
, x
02
+h
00
2
)
con |h
00
1
| < |h
1
| y |h
00
2
| < |h
2
|. Por lo tanto
0
2
f
0y0x
(x
01
+h
0
1
, x
02
+h
0
2
) =
0
2
f
0x0y
(x
01
+h
00
1
, x
02
+h
00
2
)
y nalmente, por la continuidad de las derivadas parciales
0
2
f
0x0y
(x
0
) =
0
2
f
0y0x
(x
0
)

Ejemplo 2.2. El siguiente ejemplo nos muestra que las derivadas cruzadas pueden ser distintas. Consideremos la
funcin
f(x, y) =
_
xy(x
2
y
2
)
x
2
+y
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
En todo punto (x, y) 6= (0, 0) se tiene
0f
0x
(x, y) =
y(x
4
+ 4x
2
y
2
+y
4
)
(x
2
+y
2
)
2
y en (x, y) = (0, 0)
0f
0x
(0, 0) = lm
x!0
f(x, 0) f(0, 0)
x
= 0
De aqu tenemos que
0f
0x
=
_
y(x
4
+4y
2
x
2
+y
4
)
(x
2
+y
2
)
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
y en consecuencia
0
2
f
0y0x
(0, 0) = lm
y!0
df
dx
(0, y)
df
dx
(0, 0)
y
= lm
y!0

y
5
y
4
y
= 1
Por otro lado, y de manera anloga, tenemos que
0f
0y
=
_
x(y
4
+4y
4
x
4
x
4
)
(x
2
+y
2
)
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
y de aqu
0
2
f
0x0y
(0, 0) = 1
Es decir,
0
2
f
0x0y
(0, 0) 6=
0
2
f
0y0x
(0, 0)
Cmo se interpreta esto a la luz del teorema? Estudiemos la continuidad de las derivadas cruzadas
lm
y!0
0
2
f
0y0x
(0, y) = lm
y!0
0
0y

0f
0x
(0, y)

= lm
y!0
0
0y

y
5
y
4

= lm
x!0
1 = 1
y sin embargo
lm
x!0
0
2
f
0y0x
(x, 0) = lm
x!0
x
8
x
8
= 1
es decir, hay discontinuidad en
d
2
f
dydx

39
FCFM - Universidad de Chile
Corolario 2.1. Sea f : A R
n
!R una funcin de clase C
k
con k 2 N. Entonces:
0
k
f
0x
i1
0x
i2
. . . 0x
i
k
=
0
k
f
0x
c(i1)
0x
c(i2)
. . . 0x
c(i
k
)
Donde i
1
, i
2
, . . . i
k
2 {1, . . . , n} y o : {1, . . . , n} !{1, . . . , n} es una permutacin cualquiera.
Demostracin. Basta aplicar el teorema de intercambio de derivadas reiterativamente.
Ahora que ya conocemos las derivadas de mayor orden y sus principales propiedades estamos preparados para
estudiar los desarrollos de Taylor en varias variables. Recordemos el caso de una variable, en el cual vamos a basar
nuestro argumento para varias variables.
Teorema 2.2. (Teorema de Taylor de 1
er
orden)
Sea f : (a, b) !R derivable en x
0
2 (a, b) entonces es posible obtener una expresin equivalente a f(x) dada por
f(x) = f(x
0
) +f
0
(x
0
)(x x
0
) +R
1
(x
0
, x x
0
)
donde el trmino R
1
(x
0
, x x
0
) se denomina resto y satisface
lm
x!x0
R
1
(x
0
, x x
0
)
|x x
0
|
= 0
que adems puede ser descrito en trminos de una integral si f es una funcin C
2
.
Demostracin. Del 2
do
teorema fundamental del clculo (teorema A.7) tenemos
f(x) f(x
0
) =
_
x
x0
f
0
(t)dt
entonces
f(x) = f(x
0
) +
_
x
x0
f
0
(t)dt
Integrando por partes (u = f
0
(t), v = t x) obtenemos
f(x) = f(x
0
) +f
0
(x
0
)(x x
0
) +
_
x
x0
(x t)f
00
(t)dt
As obtenemos la expresin integral para R
1
dada por
R
1
(x, x
0
) =
_
x
x0
(x t)f
00
(t)dt
Si uno supone que f es k veces derivable en x
0
, entonces
f(x) = f(x
0
) +f
0
(x
0
)(x x
0
) +. . . +
1
k!
f
(k)
(x
0
)(x x
0
)
k
+R
k
(x, x
0
)
donde
lm
x!x0
R
k
(x, x
0
)
|x x
0
|
k
= 0
Cuando se supone adems que f es de clase C
k+1
en una vecindad de x
0
entonces integrando por partes reiterati-
vamente se obtiene la expresin integral para R
k
dada por
R
k
(x, x
0
) =
_
x
x0
(x t)
k
k!
f
(k+1)
(t)dt
40
2.1. Derivadas de orden superior y teorema de Taylor
Si consideramos
M = max
t2[x0o,x0+o]
|f
(k+1)
(t)| para 0 < c < |x|
entonces
|R
k
(x, x
0
)| M

_
x
x0
(x t)
k
k!
dt

=
M
(k + 1)!
|x x
0
|
k+1

Cuando f : A R
n
! R tambin podemos establecer un teorema de Taylor. Notamos que en caso que f tome
valores en R
m
lo que diremos se aplica a cada coordenada. Comenzamos con una denicin:
Denicin 2.3. Sea f : A R
n
!R dos veces diferenciable en x
0
2 A. Se dene entonces la matriz Hessiana de
f en x
0
como
Hf(x) =
_

_
d
2
f
dx
2
1
. . .
d
2
f
dxndx1
.
.
.
.
.
.
.
.
.
d
2
f
dx1dxn
. . .
d
2
f
dx
2
n
_

_
Nota 2.1. Notamos que, por el teorema anterior, si f es de clase C
2
en una vecindad de x
0
entonces la matriz
Hessiana de f en x
0
es simtrica.
Teorema 2.3. (Teorema de Taylor de 2
do
orden)
Sea f : A R
n
!R una funcin de clase C
3
. Entonces
f(x
0
+h) = f(x
0
) +rf(x
0
)h +
1
2
h
t
Hf(x
0
)h +R
2
(x
0
, h)
donde el resto R
2
(x
0
, h) tiene una expresin integral y |R
2
(x
0
, h)| Mkhk
3
. As que en particular
lm
h!0
R
2
(x
0
, h)
khk
2
= 0
Nota 2.2. Se puede demostrar que si f es de clase C
2
entonces tambin se tiene que
lm
x!0
R
2
(x
0
, h)
khk
2
= 0
aunque la expresin integral del resto no se tiene.
Demostracin. Utilizando la regla de la cadena tenemos
d
dt
f(x
0
+th) = Df(x
0
+th)h =
n

i=1
0f
0x
i
(x
0
+th)h
i
e integrando entre 0 y 1
f(x
0
+h) f(x
0
) =
n

i=1
_
1
0
0f
0x
i
(x
0
+th)h
i
dt
Utilizando nuevamente de la cadena obtenemos para u =
df
dxi
(x
0
+th)h
i
du
dt
=
n

j=1
0
2
f
0x
j
0x
i
(x
0
+th)h
j
h
i
Integrando por partes, considerando u como arriba y v = t 1
f(x
0
+h) = f(x
0
) +
n

i=1
0f
0x
i
(x
0
)h
i
+
n

i=1
n

j=1
_
1
0
(1 t)
0
2
f
0x
i
0x
j
(x
0
+th)h
i
h
j
dt
41
FCFM - Universidad de Chile
que es un resultado correspondiente a la frmula de Taylor de primer orden (teorema 2.2)
f(x
0
+h) = f(x
0
) +
n

i=1
0f
0x
i
(x
0
)h
i
+R
1
(x
0
, h)
Integrando nuevamente por partes, con v = (t 1)
2
/2 y u =
d
2
f
dxidxj
(x
0
+th)h
i
h
j
con lo cual
du
dt
=
n

k=1
0
3
f
0x
k
0x
j
0x
i
(x
0
+th)h
i
h
j
h
k
Obtenemos
f(x
0
+h) = f(x
0
) +
n

i=1
0f
0x
i
(x
0
)h
i
+
n

i=1
n

j=1
1
2
0
2
f
0x
i
0x
j
(x
0
)h
i
h
j
+R
2
(x
0
, h)
donde el resto tiene la forma integral
R
2
(x
0
, h) =
n

i=1
n

j=1
n

k=1
_
1
0
(1 t)
2
2
0
3
f
0x
k
0x
j
0x
i
(x
0
+th)h
i
h
j
h
k
dt
Como
df
3
dx
k
dxjdxi
son continuas en x
0
, existe c > 0 y M > 0 tal que
khk < c )

0
3
f
0x
k
0x
j
0x
i
(x
0
+th)

M
La constante M puede tomarse como
M = max
x2B(x0,o)

0
3
f
0x
k
0x
j
0x
i
(x)

Por lo que, para todo t 2 [0, 1] tenemos

0
3
f
0x
k
0x
j
0x
i
(x
0
+th)h
i
h
j
h
k

M
Y nalmente
|R
2
(x
0
, h)|
n

i=1
n

j=1
n

k=1
1
3!
Mkhk
3
=

n
3
3!
M

khk
3

Ejemplo 2.3. Encontrar la frmula de Taylor de orden 2 en torno a x


0
= (0, 0) para
f(x, y) = sen(x + 2y) +x
2
Solucin. Evaluamos f(0, 0) = 0. Despus calculamos las derivadas parciales
0f
0x
(x, y) = cos(x + 2y) + 2x y
0f
0y
(x, y) = 2 cos(x + 2y)
y evaluamos rf(0, 0) = (1, 2). Ahora calculamos las derivadas de segundo orden
0
2
f
0x
2
= sen(x + 2y) + 2,
0
2
f
0y0x
= 2 sen(x + 2y) y
0
2
f
0y
2
= 4 sen(x + 2y)
42
2.2. Extremos de funciones con valores reales
y evaluamos
0
2
f
0y
2
(0, 0) = 0 ,
0
2
f
0x
2
(0, 0) = 2 y
0
2
f
0y0x
(0, 0) = 0
Considerando h = (h
1
, h
2
) tenemos nalmente
f(x
0
+h) = f(h
1
, h
2
) = f(0, 0) + (1, 2)(h
1
, h
2
) +
1
2
(h
1
, h
2
)
_
2 0
0 0
_
h
1
h
2

+R
2
= h
1
+ 2h
2
+h
2
1
+R
2
(0, h)

Continuando con este ejemplo, sabemos que la funcin P


2
(h
1
, h
2
) = h
1
+2h
2
+h
2
1
aproxima a f(h
1
, h
2
) al segundo
orden, en el sentido que
R2(0,h)
khk
2
)0. Pero uno podra hacer una pregunta ms especca: Si khk 1/4 Qu error
se comete por cambiar f y P
2
? Tenemos la frmula integral del error
R
2
(h
1
, h
2
) =
2

i=1
2

j=1
2

k=1
_
1
0
(1 t)
2
2
0
3
f
0x
k
0x
j
0x
i
(x
0
+th)h
i
h
j
h
k
dt.
Usando el teorema del valor medio integral (teorema 1.13) vemos que existen t
ijk
2 [0, 1] tales que
R
2
(h
1
, h
2
) =
1
3!
2

i=1
2

j=1
2

k=1
0
3
f
0x
k
0x
j
0x
i
(x
0
+t
ijk
h)h
i
h
j
h
k
,
de donde podemos hacer nuestra estimacin. En nuestro caso calculemos las terceras derivadas
0
3
f
0x
3
= cos(x + 2y) ,
0
3
f
0y
3
= 8 cos(x + 2y)
0
3
f
0x0y
2
= 4 cos(x + 2y) ,
0
3
f
0y0x
2
= 2 cos(x + 2y)
Evaluando las derivadas en x
0
= (0, 0) obtenemos
|R
2
(h
1
, h
2
)|
1
3!
(h
3
1
+ 3 2h
2
1
h
2
+ 3 4h
1
h
2
2
+ 8h
3
2
)

1
3!
(1 + 6 + 12 + 8)khk
3
=
27
6
khk
3
, |h
i
| khk
As, si khk 1/4 entonces |R
2
(h
1
, h
2
)| 9/(2 4
3
)
2.2. Extremos de funciones con valores reales
2.2.1. Condiciones de primer orden
Dentro de los puntos que pertenecen al dominio de la funcin, aquellos en donde esta alcanza un mnimo o un
mximo revisten un especial inters por su importancia en muchos problemas prcticos.
Denicin 2.4. Sea f : A R
n
! R con A un subconjunto abierto de R
n
. Un punto x
0
2 A se dir mnimo
(mximo) local de f si existe una vecindad V de x
0
tal que
f(x) f(x
0
) 8x 2 V (resp. f(x) f(x
0
))
43
FCFM - Universidad de Chile
Un punto se dir extremo local si es un mnimo o un mximo local. Un punto x
0
se dir crtico de f si Df(x
0
) = 0.
Un punto crtico que no es extremo se dir punto silla.
Teorema 2.4. Sea f : A ! R diferenciable, con A un subconjunto abierto de R
n
y x
0
2 A un extremo local,
entonces Df(x
0
) = 0.
Demostracin. Si f tiene un mnimo local x
0
entonces si denimos la funcin de una variable
g(t) = f(x
0
+th)
donde h 2 R
n
es un punto cualquiera se tendra que g tiene un mnimo local en t = 0 pues
g(t) = f(x
0
+th) f (x
0
) = g (0)
y por tanto g
0
(0) = 0 lo que implica que
Df(x
0
)h = 0
y como esto es para cualquier h entonces se tiene que Df(x
0
) = 0.
Observemos que Df(x
0
) = 0 es equivalente a:
0f
0x
1
(x
0
) = 0,
0f
0x
2
(x
0
) = 0, . . . ,
0f
0x
n
(x
0
) = 0
en otras palabras, los mximos y mnimos son puntos que satisfacen el sistema de ecuaciones
Df(x) = 0
Este es un sistema de n ecuaciones con n incgnitas. Pero en general no es un sistema lineal.
Ejemplo 2.4. Busque los puntos crticos de la siguiente funcin y clasifquelos:
f(x, y) = x
2
y +y
2
x
Solucin. El sistema de ecuaciones que se obtiene es:
0f
0x
= 2xy +y
2
= 0
0f
0y
= 2xy +x
2
= 0
de donde se tiene
y(2x +y) = 0 ) y = 0 ^/_ y = 2x
x(2y +x) = 0 ) x = 0 ^/_ x = 2y
de la primera relacin vemos que los posibles puntos extremos son (0, 0) y (a, 2a), a 2 R mientras que de la otra
se tiene que son (0, 0) y (2b, b), b 2 R, pero como se tienen que cumplir ambas relaciones a la vez entonces el nico
punto crtico es el (0, 0). Por otro lado, haciendo x = y se tiene que f(x, x) = 2x
3
el cual toma valores positivos y
negativos, es decir (0, 0) no es ni mximo ni mnimo, por lo tanto es un punto silla.
2.2.2. Condiciones de segundo orden
Veamos ahora condiciones necesarias de 2
do
orden equivalentes a las vistas en el caso de funciones de una variable,
es decir, f
00
(x) > 0 para mnimo y f
00
(x) < 0 para mximo.
44
2.2. Extremos de funciones con valores reales
Denicin 2.5. Sea f : A R
n
! R, donde A un subconjunto abierto de R
n
, una funcin con derivadas de 2
do
orden
0
2
f
0x
i
0x
j
(x
0
)
en x
0
. El Hessiano de f en x
0
es la funcin cuadrtica denida por
Hf(x
0
)(d) =
1
2
n

i,j=1
0
2
f
0x
i
0x
j
(x
0
)v
i
v
j
Otra forma de escribir la expresin anterior es
Hf(x
0
)(d) =
1
2
d
t
Hd
donde
H =
_
_
_
_
_
_
_
_
_
_
_
_
_
d
2
f(x)
dx
2
1
d
2
f(x)
dx2dx1
d
2
f(x)
dx3dx1
. . .
d
2
f(x)
dxndx1
d
2
f(x)
dx1dx2
d
2
f(x)
dx
2
2
d
2
f(x)
dx3dx2
. . .
d
2
f(x)
dxndx2
.
.
.
.
.
.
.
.
.
d
2
f(x)
dx1dxn
d
2
f(x)
dx2dxn
d
2
f(x)
dx3dxn
. . .
d
2
f(x)
dx
2
n
_
_
_
_
_
_
_
_
_
_
_
_
_
La matriz H se denomina matriz Hessiana de la funcin f. Observemos que esta matriz es simtrica ya que
0
2
f
0x
i
0x
j
=
0
2
f
0x
j
0x
i
Para desarrollar el criterio de segundo orden retomaremos algunos conceptos de lgebra Lineal. Ante las dudas
conviene consultar el apndice B.
Teorema 2.5. (Condiciones de 2
do
orden)
Sea f : A R
n
!R con A un subconjunto abierto de R
n
y f de clase C
2
. Sea x
0
2 A un punto crtico de f.
1. Si Hf(x
0
) es denida positiva entonces x
0
es un mnimo local de f.
2. Si Hf(x
0
) es denida negativa entonces x
0
es un mximo local de f.
Demostracin. Demostremos solamente la primera parte, la otra se demuestra de forma similar.
Si x
0
es punto crtico, entonces usando el teorema de Taylor de orden 2 (teorema 2.3) se tiene que:
f(x
0
+d) f(x
0
) = Hf(x
0
)(d) +R
2
(x
0
, d)
donde R
2
(x
0
, d) !0 cuando d !0.
Como Hf(x
0
) es denida positiva entonces existe c > 0 tal que
Hf(x
0
)(d) ckdk
2
8d 2 R
n
y como R
2
(x
0
, d) !0 cuando d !0, existe c > 0 tal que si 0 < kdk < c entonces
|R
2
(x
0
, d)| < ckdk
2
y por tanto
f(x
0
+d) f(x
0
) > ckdk
2
ckdk
2
= 0
para todo 0 < kdk < c, lo que implica que x
0
es un mnimo local.
45
FCFM - Universidad de Chile
Ejemplo 2.5. Encuentre los puntos crticos de la siguiente funcin y clasifquelos.
f(x, y) = ln(x
2
+y
2
+ 1)
Solucin.
0f
0x
=
1
x
2
+y
2
+ 1
2x = 0 ) x = 0
0f
0y
=
1
x
2
+y
2
+ 1
2y = 0 ) y = 0
y por tanto el nico punto crtico es (x, y) = (0, 0). Veamos ahora la Hessiana de la funcin f evaluada en este
punto:
0
2
f
0x
2

(0,0)
=
x
2
+y
2
+ 1
(x
2
+y
2
+ 1)
2

(0,0)
= 1
0
2
f
0x0y

(0,0)
=
4xy
(x
2
+y
2
+ 1)
2

(0,0)
= 0
0
2
f
0y
2

(0,0)
=
x
2
y
2
+ 1
(x
2
+y
2
+ 1)
2

(0,0)
= 1
es decir, la matriz Hessiana queda:
H =

1 0
0 1

la cual trivialmente se ve que es denida positiva y por tanto el punto (0, 0) es un mnimo local estricto.
Ejemplo 2.6. Dada la funcin f(x, y) = y 4x
2
+ 3xy y
2
, podemos saber si la funcin presenta un mximo o
un mnimo a partir de la Matriz Hessiana.
Solucin. Tomamos las primeras y segundas derivadas de la funcin
0f(x, y)
0x
= 8x + 3y
0f(x, y)
0y
= 1 + 3x 2y
0f(x, y)
0x
2
= 8
0
2
f(x, y)
0y
2
= 2
0
2
f(x, y)
0y0x
= 3
0
2
f(x, y)
0x0y
= 3
Las primeras derivadas permiten concluir que el punto (
3
7
,
8
7
) puede ser mximo o mnimo, luego tomamos formamos
la matriz hessiana de f
H =

8 3
3 2

y se tiene que los determinantes de las submatrices corresponden a


|H
1
| = 8 < 0 y |H
2
| =

8 3
3 2

= 16 9 = 7 > 0
A partir de los signos de las submatrices, se tiene que estos son alternados y que |H
1
| es negativo por lo que la
funcin presenta un mximo en el punto (
3
7
,
8
7
).
46
2.3. Funciones convexas
2.3. Funciones convexas
Motivacin: La familia de funciones convexas a valores reales corresponde a una familia mucho ms amplia que la
de funciones lineales. Lo que nos interesa es caracterizar esta familia y en especial el caso de las funciones convexas
diferenciables para presentar condiciones necesarias y suencientes para que determinado elemento de un espacio
vectorial normado sea mnimo de una funcin convexa sobre cierto conjunto. La caracterizacin que haremos de las
funciones convexas es extensible a las funciones cncavas.
Denicin 2.6. Una funcin f : D R
n
!R, con D convexo, es convexa (respectivamente estrictamente convexa)
si
f(`x + (1 `)y) `f(x) + (1 `)f(y) 8x, y 2 D, 0 ` 1 (resp. <)
De manera ms intuitiva, una funcin f es convexa si el segmento que une dos puntos pertenecientes al grafo de la
funcin se ubica por sobre este.
Determinar la convexidad de una funcin por medio de esta denicin resulta complicado por lo que recurriremos
a algunos criterios de diferenciabilidad cuando estos son aplicables.
Nota 2.3. Con esta denicin necesitamos que el dominio de la funcin dena un conjunto convexo. Esto es
importante porque la denicin que presentamos requiere que, para dos puntos cualquiera x e y en el dominio de la
funcin, todas las combinaciones convexas de x e y, en particular `f(x) +(1`)f(y) con ` 2 [0, 1], tambin deben
estar en el dominio de la funcin, lo cual es otra forma de decir que el el dominio debe ser un conjunto convexo.
Dicho en otras palabras si D es todo el espacio vectorial R
n
se tiene que el dominio es convexo y en caso de que D
sea un parte de R
n
suponemos que esta es una parte convexa de R
n
.
Denicin 2.7. El hipografo de una funcin corresponde a todos los puntos situados en y bajo el contorno del
grafo de la funcin y queda denido por el conjunto
E = {(x, c) : x 2 D, c 2 R, f(x) c}
Denicin 2.8. El epgrafo de una funcin corresponde a todos los puntos situados en y sobre el contorno del
grafo de la funcin y queda denido por el conjunto
E = {(x, c) : x 2 D, c 2 R, f(x) c}
El epgrafo de una funcin nos permite relacionar funciones convexas con conjuntos convexos.
f(x)
epi(f)
hip(f)
grafo(f)
x
Figura 2.1.: Epgrafo, hipografo y grafo de una funcin
Teorema 2.6. A partir de la denicin 2.8 tenemos otro criterio de convexidad. Diremos que f es convexa si y
slo si el epgrafo de f es convexo en R
n+1
. Esto es,
`(x, f(x)) + (1 `)(y, f(y)) 2 epi(f)
47
FCFM - Universidad de Chile
Demostracin.linea en blanco
()): Supongamos que f : D R
n
!R es una funcin convexa, entonces debemos demostrar que epi(f) es convexo.
Por denicin tenemos que
f(`x + (1 `)y) `f(x) + (1 `)f(y) 8x, y 2 A, 0 ` 1
Sean c
1
, c
1
2 epi(f) y escojamos x, y 2 A tales que
f(x) c
1
, f(y) c
2
(*)
Para demostrar que epi(f) es convexo debemos demostrar que para todo ` 2 [0, 1], es decir
(`x + (1 `)y, `c
1
+ (1 `)c
2
) 2 epi(f)
En (*) vamos a multiplicar la primera desigualdad por ` y la segunda por (1 `) para luego sumar, se obtiene
`f(x) + (1 `)f(y) `c
1
+ (1 `)c
2
lo que por convexidad implica
f(`x + (1 `)y) `c
1
+ (1 `)c
2
y entonces epi(f) es convexo.
((): Supongamos que epi(f) es convexo, entonces debemos demostrar que f : D R
n
!R es convexa.
Sean c
1
, c
2
2 epi(f). Escojamos x, y 2 A tales que
f(x) = c
1
, f(y) = c
2
(*)
entonces, (x, c
1
), (y, c
2
) 2 epi(f). Como epi(f) es convexo
f(`x + (1 `)y) `c
1
+ (1 `)c
2
(**)
Reemplazando (*) en (**) se obtiene
f(`x + (1 `)y) `f(x) + (1 `)f(y)
y entonces f es convexa.
Teorema 2.7. Sea f : D R
n
! R una funcin convexa cuyo dominio es un conjunto convexo. Entonces todo
mnimo local de f en A es mnimo global de f en D.
Demostracin. Sea x
0
un mnimo local de f en D y sea x 6= x
0
2 D. Como D es convexo, el punto (1`)x
0
+`x 2
D 8` 2 (0, 1) y por denicin
f((1 `)x
0
+ `x) (1 `)f(x
0
) + `f(x) (*)
en la medida que ` !0, se tendr que (1 `)x
0
+`x !x
0
y entonces f(x
0
) f((1 `)x
0
+`x) que combinado
con (*) implica f(x
0
) f(x). Como x es arbitrario se concluye.
Teorema 2.8. Sea f : D R
n
!R una funcin diferenciable con D abierto y convexo. f es convexa (respectiva-
mente estrictamente convexa) si y slo si
f(x) f(y) +rf(y) (x y) 8x, y 2 D (resp. >) (2.1)
48
2.3. Funciones convexas
Demostracin. linea en blanco
()): Supongamos que f es convexa, entonces
f(`x + (1 `)y) `f(x) + (1 `)f(y) 8x, y 2 D, ` 2 [0, 1]
f(y + `(x y)) `f(x) + (1 `)f(y)
f(y + `(x y)) f(y)
`
f(x) f(y) 8x, y 2 D, ` 2 (0, 1]
Aplicando lmite cuando ` !0
+
rf(y) (x y) f(x) f(y)
f(x) f(y) +rf(y) (x y)
((): Sean x, y 2 D, z = `x + (1 `)y y ` 2 [0, 1]. Supongamos que f cumple (2.1), entonces
`f(x) `(f(z) +rf(z) (x z))
(1 `)f(y) (1 `)(f(z) +rf(z) (y z))
Sumando las ltimas dos desigualdades
`f(x) + (1 `)f(y) f(z) +rf(z) (`x + (1 `)y z
. .
0
)
f(`x + (1 `)y) `f(x) + (1 `)f(y)

Teorema 2.9. Sea f : D R


n
!R una funcin diferenciable con D abierto y convexo. f es convexa (respectiva-
mente estrictamente convexa) si y slo si
(rf(x) rf(y)) (x y) 0 8x, y 2 D (resp. >) (2.2)
Demostracin. linea en blanco
()): Supongamos que f es convexa. De acuerdo al teorema 2.7 se cumplen
f(x) f(y) +rf(y) (x y)
f(y) f(x) +rf(x) (y x)
Sumando estas desigualdades obtenemos
0 rf(y) (x y) +rf(x) (y x)
(rf(x) rf(y)) (x y) 0
((): Sean x, y 2 A. Denamos g : [0, 1] ! R como g(`) = f(y + `(x y)). Como g es derivable obtenemos
g
0
(`) = rf(y + `(x y)) (x y).
Asumamos que se cumple (2.2), entonces
g
0
(`) g
0
(0) = (rf(y + `(x y)) rf(y)) (x y)
g
0
(`) g
0
(0) = (rf(y + `(x y)) rf(y))

y + `(x y) y
`

g
0
(`) g
0
(0) 0
Aplicando el teorema del valor medio (teorema A.5) a g, existe ` 2 (0, 1) tal que
g(1) g(0) = g
0
(`)
49
FCFM - Universidad de Chile
Como g
0
(`) g
0
(0) 0
g(1) g(0) g
0
(0)
Esto nos lleva a
f(x) f(y) rf(y) (x y)
f(x) f(y) +rf(y) (x y)
Lo cual cumple el teorema 2.6 y entonces f es convexa.
Teorema 2.10. Sea f : D R
n
! R de clase C
2
con D abierto y convexo. f es convexa (respectivamente
estrictamente convexa) en D si y slo si Hf(x) es semi-denida positiva (respectivamente denida positiva) para
todo x 2 D.
Demostracin. linea en blanco
()): Supongamos que f es convexa. Sean x 2 D, h 2 R
n
\ {0} y denamos g : [0, -] !R tal que x + `h 2 D por
g(`) = rf(x + `h) `. Como g es derivable se obtiene
g
0
(`) = h
t
Hf(x + `h)h
debemos demostrar que
g
0
(0) = lm
X!0
+
g(`) g(0)
`
0
Del teorema 2.8 tenemos que
g(`) g(0) = (rf(x + `h) rf(x)) h
= (rf(x + `h) rf(x))

x + `h x
`

0
((): Supongamos que H es denida no negativa. Sean x, y 2 D, h = x y y g : [0, 1] ! R tal que x + `h 2 D.
Aplicando el teorema del valor medio (teorema A.5) a g en [0, 1], existe ` 2 (0, 1) tal que
g(1) g(0) = g
0
(`)
= h
t
Hf(x + `h)h
= h
t
Hf(x + `(y x))h
0
de acuerdo al teorema 2.7 esta ltima desigualdad verica que f es convexa.
La convexidad es una condicin necesaria para la existencia de mnimos locales de funciones y la convexidad estricta
es una condicin suciente para la existencia de un mnimo global. Para una funcin f : D R
n
! R el teorema
2.5 nos provee un criterio til para determinar la convexidad de una funcin cuando esta es diferenciable.
Ejemplo 2.7. ln(x) con x 2 R
++
(x > 0) es convexa. En efecto,
ln(`x + (1 `)y) `ln(x) (1 `) ln(y)
`ln(x) + (1 `) ln(y) ln(`x + (1 `)y)
x
X
y
1X
`x + (1 `)y
Mediante la diferenciabilidad de la funcin podemos garantizar que es convexa ya que
d
2
f
dx
2
=
1
x
2
> 0 8x > 0.
Ejemplo 2.8. Las funciones en R:
50
2.4. Funciones cncavas
1. ax +b de R en R con cualquier a, b 2 R
2. exp(x) de R en R con cualquier a 2 R
3. x

de R
+
en R
+
con 1
4. |x|

de R en R
+
con 1
Las funciones en R
2
:
1. a
t
x +b de R
2
en R con a, x 2 R
2
, b 2 R
2. A(x
1
+ ax
2
)

de R
2
+
en R con A, , a > 0 y > 1
3. x

1
x
o
2
de R
2
+
en R con + a > 1
Junto a las normas en R
n
y toda funcin f(x) = a
t
x +b con a, x 2 R
n
y b 2 R son funciones convexas.
2.4. Funciones cncavas
Denicin 2.9. Una funcion f : D R
n
!R, con D abierto y convexo, es cncava (respectivamente estrictamente
cncava) si la funcin f es convexa (respectivamente estricatamente convexa). De esta forma, f es cncava (resp.
estrictamente cncava) si
f(`x + (1 `)y) `f(x) + (1 `)f(y) 8x, y 2 D, 0 ` 1 (resp. >)
Alternativamente, una funcin es cncava si su hipografo es convexo, esto es
`(x, f(x)) + (1 `)(y, f(y)) 2 hip(f)
Nota 2.4. Seguimos suponiendo que el dominio de la funcin es convexo por las mismas razones consideradas para
las funciones convexas.
De la denicin presentada tenemos que todo lo expuesto sobre funciones convexas es vlido cambiando f por f.
As, en los teoremas 2.6, 2.7, 2.8, 2.9 y 2.10 nos basta con reemplazar mnimo por mximo, invertir las desigualdades,
cambiar convexo por cncavo, (semi) denida positiva por (semi) denida negativa y cambiar epgrafo por hipografo
para obtener el caso cncavo.
La concavidad es una condicin necesaria para la existencia de mximos locales de funciones y la concavidad estricta
es una condicin suciente para la existencia un mximo global. Para una funcin f : D R
n
!R el teorema 2.5
nos provee un criterio til para determinar la concavidad de una funcin cuando esta es diferenciable.
2.5. Extremos restringidos y Multiplicadores de Lagrange
Motivacin: Veremos intuitivamente el caso en que aparecen restricciones en un problema de maximizacin o
minimizacin. Retomaremos esto ms adelante pero es conveniente tener al menos la nocin de como afrontar
estos problemas. Las demostraciones detalladas las veremos en el captulo nal para seguir con temas tanto o ms
importantes.
2.5.1. Condiciones de 1
er
orden para extremos restringidos
Teorema 2.11. (Teorema de los multiplicadores de Lagrange, forma geomtrica)
Sean f : A R
n
!R y g : A R
n
!R funciones diferenciables. Sea x
0
2 A y g(x
0
) = c, y sea S el conjunto de
nivel para g con valor c, es decir
S = {x 2 A : g(x) = c}
51
FCFM - Universidad de Chile
Supongamos que rg(x
0
) 6= 0. Si f|
S
(f restringida a S) tiene un mnimo o mximo local en S en x
0
, o equivalen-
temente, si x
0
es una solucin del problema:
mn
x
f(x) max
x
f(x)
s.a g(x) = c s.a g(x) = c
ambos problemas se pueden resolver con la funcin Lagrangeano:
L(x, `) = f(x) `(g(x) c)
sobre la cual podemos aplicar la condicin de primer orden y es posible, cuando el problema tiene solucin, encontrar
un valor ` 2 R, llamado multiplicador de Lagrange, tal que
rf(x
0
) = `rg(x
0
)
Demostracin. Supongamos que x
0
es solucin del problema de minimizacin (el otro caso es similar) y sea
S = {x 2 A : g(x) = c}
Como rg(x
0
) 6= 0, entonces este vector es normal a la supercie S, por otro lado, el plano tangente a S en x
0
se
caracteriza como
: rg(x
0
)
t
(x x
0
) = 0
o equivalentemente
= {o
0
(0) : o : R !A, o(t) 2 S 8t, o(0) = x
0
}
Entonces, siendo x
0
un mnimo de f, la funcin t 7!f(o(t)) tiene un mnimo en 0 para cada o, por tanto
rf(x
0
)
t
o
0
(0) = 0
es decir, rf(x
0
) es ortogonal al plano tangente o lo que es lo mismo, paralelo al vector rg(x
0
). Por lo tanto, existe
un real ` tal que
rf(x
0
) = `rg(x
0
)

Observemos que la funcin Lagrangeano consta de n + 1 variables (el multiplicador es una variable ms) y que el
teorema provee una condicin necesaria que es equivalente a que el siguiente sistema tenga solucin:

rf(x
0
) = `rg(x
0
)
g(x
1
, . . . , x
n
) = c
()
_

_
0f
0x
1
(x
1
, . . . , x
n
) = `
0g
0x
1
(x
1
, . . . , x
n
)
.
.
.
0f
0x
n
(x
1
, . . . , x
n
) = `
0g
0x
n
(x
1
, . . . , x
n
)
g(x
1
, . . . , x
n
) = c
(2.3)
Corolario 2.2. Si f al restringirse a una supercie S, tiene un mximo o un mnimo en x
0
, entonces rf(x
0
) es
perpendicular a S en x
0
.
Ejemplo 2.9. Sea S R
2
la recta que pasa por el punto (1, 0) y tiene una inclinacin de 45

y sea f : R
2
!R
tal que (x, y) 7!x
2
+y
2
. Hallar los extremos de f sobre la recta S.
Solucin. Veamos que S se puede escribir como
S = {(x, y) : y x 1 = 0}
52
2.5. Extremos restringidos y Multiplicadores de Lagrange
y denotemos por (x
0
, y
0
) el posible candidato a ser extremo y g(x, y) = yx1, c = 0. De esta forma, el Lagrangeano
del problema corresponde a
L(x, y, `) = x
2
+y
2
`(y x 1)
a partir del cual, aplicando el sistema Lagrangeano (2.3) se obtiene
_
_
_
2x
0
= `
2y
0
= `
y
0
= x
0
+ 1
)
x
0
= y
0
y
0
= x
0
+ 1
)
x
0
= 1/2
y
0
= 1/2
Es decir, el extremo de f es (x
0
, y
0
) = (
1
2
,
1
2
) y el valor del multiplicador de Lagrange es ` = 1.
Ejemplo 2.10. Encontrar el mximo valor de f(x, y, z) = x + 2y + 3z en la curva de la interseccin del plano
x y +z = 1 y la circunferencia x
2
+y
2
= 1.
Solucin. Debemos plantear el Lagrangeano del problema, el cual corresponde a
L(x, y, z, `
1
, `
2
) = x + 2y + 3z `
1
(x y +z 1) `
2
(x
2
+y
2
1)
Aplicando el sistema lagrangeano (2.3) obtenemos
_

_
1 = `
1
+ 2`
2
x
0
2 = `
1
+ 2`
2
y
0
3 = `
1
x
0
y
0
+z
0
= 1
x
2
0
+y
2
0
= 1
)
5x
0
= 2y
0
x
0
y
0
+z
0
= 1
x
2
0
+y
2
0
= 1
)
x
0
= 2/
p
29
y
0
= 5/
p
29
z
0
= 1 7/
p
29
Es decir, f presenta dos extremos que son
(x
1
, y
1
, z
1
) =

2
29
,
5
29
, 1 +
7
29

(x
2
, y
2
, z
2
) =

2
29
,
5
29
, 1
7
29

mientras que los valores de los multiplicadores de Lagrange son `


1
= 3 y `
2
=
p
29/2.
Los siguientes contraejemplos resultan interesantes:
Ejemplo 2.11. Consideremos el problema
mn
x1,x2
x
1
+x
2
s.a 2x
1
3x
2
= 0
Observemos que rf(x
1
, x
2
)|
(0,0)
= (1, 1) y rg(x
1
, x
2
)|
(0,0)
= (2, 3). Entonces, no existe ` 2 R que haga sistema que
denen las condiciones de primer orden del Lagrangeano tenga solucin dado.
Ejemplo 2.12. Consideremos el problema
mn
x1,x2
2x
1
+ 3x
2
2
s.a 2x
1
3x
2
2
= 0
Observemos que rf(x
1
, x
2
)|
(0,0)
= (2, 0) y rg(x
1
, x
2
)|
(0,0)
= (2, 0). Entonces, los gradientes son linealmente depen-
dientes y no se cumple que rf(x
1
, x
2
)|
(0,0)
`rg(x
1
, x
2
)|
(0,0)
= (0, 0) a menos que ` = 1 lo que hace que el sistema
que denen las condiciones de primer orden del Lagrangeano no tenga solucin dado que el par (1, 0) no cumple la
restriccin del problema.
53
FCFM - Universidad de Chile
En general, para poder determinar si los puntos extremos son mnimos locales, mximos o puntos sillas debemos
analizar el comportamiento de la 2
da
derivada como veremos ms adelante, u otros argumentos.
Supongamos ahora que tenemos k restricciones de igualdad, es decir
S = {x 2 R
n
: g
1
(x
1
, . . . , x
n
) = 0, . . . , g
k
(x
1
, . . . , x
n
) = 0}
y el problema de optimizacin es:
mn
x
f(x) max
x
f(x)
x 2 S x 2 S
(2.4)
donde f, g
i
: R
n
!R, i 2 {1, . . . , k} son funciones diferenciables.
Entonces el teorema de los multiplicadores de Lagrange se extiende de la siguiente forma:
Teorema 2.12. Si los problemas (2.4) tienen un mnimo o mximo local x
0
, es decir, existe una vecindad V de
x
0
tal que:
f(x) f(x
0
) 8x 2 V \ S ( f(x) f(x
0
))
entonces existen k nmeros reales (multiplicadores) `
1
, . . . , `
k
tales que:
rf(x
0
) = `
1
rg
1
(x
0
) +. . . + `
k
rg
k
(x
0
)
siempre que los vectores rg
1
(x
0
), . . . , rg
k
(x
0
) sean linealmente independientes.
2.5.2. Anlisis geomtrico
Anteriormente dijimos que la funcin Lagrangeano resuelve el problema original por medio de un problema equiva-
lente sin restricciones. Se evidencia esto si diferenciamos L(x
1
, x
2
, `), es decir
dL(x
1
, x
2
, `) =
0L(x
1
, x
2
, `)
0x
1
dx
1
+
0L(x
1
, x
2
, `)
0x
2
dx
2
+
0L(x
1
, x
2
, `)
0`
d`
reemplazando cada una de las derivadas parciales que aparecen en esto por las que aparecen en el sistema Lagran-
geano se llega a
dL(x
01
, x
02
, `
0
) =
0f(x
01
, x
02
)
0x
1
dx
1
+
0f(x
01
, x
02
)
0x
2
dx
2
g(x
01
, x
02
)d` `

0g(x
01
, x
02
)
0x
1
dx
1
+
0g(x
01
, x
02
)
0x
2
dx
2

dL(x
01
, x
02
, `
0
) = 0
Es posible escribir la restriccin de la forma g(x
01
, x
02
) = 0, por lo tanto lo anterior se reduce a
dL(x
01
, x
02
, `
0
) =
0f(x
01
, x
02
)
0x
1
dx
1
+
0f(x
01
, x
02
)
0x
2
dx
2
`

0g(x
01
, x
02
)
0x
1
dx
1
+
0g(x
01
, x
02
)
0x
2
dx
2

dL(x
01
, x
02
, `
0
) = 0
a partir de g(x
01
, x
02
) = 0, se tiene que
dg(x
01
, x
02
) =
0g(x
01
, x
02
)
0x
1
dx
1
+
0g(x
01
, x
02
)
0x
2
dx
2
= 0
y se puede simplicar llevando el diferencial del Lagrangeano al siguiente resultado:
dL(x
01
, x
02
, `
0
) =
0f(x
01
, x
02
)
0x
1
dx
1
+
0f(x
01
, x
02
)
0x
2
dx
2
= 0 8(x
01
, x
02
) 2 S
54
2.5. Extremos restringidos y Multiplicadores de Lagrange
lo cual nos da la condicin de primer orden de f(x).
De la ltima ecuacin se obtiene
df(x01,x02)
dx1
df(x01,x02)
dx2
=
dx
2
dx
1
lo cual es vlido siempre y cuando
df(x01,x02)
dx2
6= 0 y dx
1
6= 0, lo cual tiene sentido cuando la solucin del problema es
interior. La interpretacin es la siguiente: Por medio de la funcin Lagrangeano se llega a una eleccin de variables
tal que cualquier otra eleccin distinta es desfavorable o resulta ineciente.
Hemos detallado la geometra de los multiplicadores de Lagrange y ahora veremos un anlisis grco que nos servir
para jar ideas:
De las condiciones de primer orden del Lagrangeano obtuvimos
df(x01,x02)
dx1
df(x01,x02)
dx2
=
dx
2
dx
1
jando y = f(x
1
, x
2
) se tiene que en (x
01
, x
02
) la pendiente es m =
dx
2
dx
1
.
Diferenciando g(x
1
, x
2
) = 0 obtuvimos
0g(x
01
, x
02
)
0x
1
dx
1
+
0g(x
01
, x
02
)
0x
2
dx
2
= 0
reordenando,
dg(x01,x02)
dx1
dg(x01,x02)
dx2
=
dx
2
dx
1
esto ltimo, jando g(x
1
, x
2
) = 0 nos dice que en (x
01
, x
02
) la pendiente es m =
dx
2
dx
1
.
Supongamos que la curva de nivel de la funcin objetivo es convexa (esto es nada ms que para jar ideas gr-
camente). Suponiendo que la curva de nivel de la restriccin, la cual limita el espacio factible, es cncava podemos
representar esto geomtricamente de la siguiente forma:
f(x) = y
x
01
x
02
x
1
x
2
Figura 2.2.: Curva de nivel de f.
g(x) = c
x
01
x
02
x
1
x
2
Figura 2.3.: Curva de nivel de g.
Combinando ambos grcos se llega a lo siguiente:
55
FCFM - Universidad de Chile
g(x) = c
f(x) = y
x
01
x
02
x
1
x
2
Figura 2.4.: Condiciones de primer orden del Lagrangeano.
En (x
01
, x
02
) la pendiente es
m =
df
dx1
df
dx2
=
dg
dx1
dg
dx2
=
dx
2
dx
1
Finalmente, concluiremos el anlisis geomtrico con el siguiente grco que se deduce a partir del anterior
g(x) = c
rf
f(x) = y
`rg
x
1
x
2
Figura 2.5.: Relacin entre el multiplicador y las curvas de nivel.
Este ltimo grco nos da cuenta de que en el ptimo los gradientes de la funcin objetivo y la restriccin son
linealmente dependientes, es decir son proporcionales y tenemos que
rf(x) = `rg(x)
Este resultado ya se demostr anteriormente.
56
2.5. Extremos restringidos y Multiplicadores de Lagrange
2.5.3. Interpretacin del multiplicador de Lagrange
Para jar ideas consideremos el sistema Lagrangeano que resuelve la maximizacin de una funcin de dos variables
sujeta a una restriccin de igualdad:
_

_
0L(x
01
, x
02
, `
0
)
0x
1
=
0f(x
01
, x
02
)
0x
1
`
0
0g(x
01
, x
02
)
0x
1
= 0
0L(x
01
, x
02
, `
0
)
0x
2
=
0f(x
01
, x
02
)
0x
2
`
0
0g(x
01
, x
02
)
0x
2
= 0
0L(x
01
, x
02
, `
0
)
0`
= g(x
01
, x
02
) c = 0
Viendo este sistema en conjunto como una funcin L(x) = (L
1
(x), L
2
(x), L
3
(x)) = 0 el Jacobiano est dado por
DF(x
0
) =
_

dg
dx1
(x
0
)
d
2
f
dx
2
1
(x
0
) `
d
2
g
dx
2
1
(x
0
)
d
2
f
dx2dx1
(x
0
) `
d
2
g
dx2dx1
(x
0
)

dg
dx2
(x
0
)
d
2
f
dx2dx1
(x
0
) `
d
2
g
dx2dx1
(x
0
)
d
2
f
dx
2
2
(x
0
) `
d
2
g
dx
2
2
(x
0
)
0
dg
dx1
(x
0
)
dg
dx2
(x
0
)
_

_
y su determinante es |DF(x
0
)| 6 = 0. Dado esto el teorema de la funcin implcita nos dice que podemos expresar
(x
01
, x
02
, `
0
) en funcin de c. Retomaremos este teorema ms adelante pero la idea principal es que es posible
despejar las variables para expresarlas en funcin de c, al menos localmente tal como cuando tomamos x =
_
1 y
2
para una circunferencia.
Aplicando el teorema tenemos que
(x
01
, x
02
) = (x
1
(c), x
2
(c)) y `
0
= `(c)
y entonces
L(x
01
, x
02
, `
0
) = f(x
01
, x
02
) `g(x
01
, x
02
, c)
Diferenciando con respecto a c se obtiene
dL
dc
=
0f(x
0
)
0x
1
dx
01
dc
+
0f(x
0
)
0x
2
dx
02
dc
[g(x
01
, x
02
) c]
d`
0
dc
`
0
_
0g(x
0
)
0x
1
dx
01
dc
+
0g(x
0
)
0x
2
dx
02
dc
1
_
dL
dc
=
_
0f(x
0
)
0x
1
`
0
0g(x
0
)
0x
1
_
dx
01
dc
+
_
0f(x
0
)
0x
2
`
0
0g(x
0
)
0x
2
_
dx
02
dc
[g(x
01
, x
02
) c]
d`
0
dc
+ `
0
y debido a las condiciones de primer orden todos los terminos entre parntesis se cancelan, por lo tanto
dL
dc
= `
0
Es decir, el multiplicador de Lagrange da cuenta de cmo cambia la solucin ptima ante cambios en la restriccin.
2.5.4. Condiciones de 2
do
orden para extremos restringidos
Consideremos el siguiente problema:
mn
x
f(x
1
, . . . , x
n
) max
x
f(x
1
, . . . , x
n
)
s.a g
i
(x
1
, . . . , x
n
) = c s.a g
i
(x
1
, . . . , x
n
) = c 8i 2 {1, . . . , k}
(2.5)
donde f, g
i
son funciones diferenciables.
Nota 2.5. En lo que sigue denotaremos I = {1, . . . , k}.
57
FCFM - Universidad de Chile
Por el teorema anterior sabemos que si {rg
i
(x
1
, . . . , x
n
)} son l.i. entonces existe ` 2 R
k
tal que:
rf(x
1
, . . . , x
n
) = `
t
rg(x
1
, . . . , x
n
)
donde g(x
1
, . . . , x
n
) = (g
1
(x
1
, . . . , x
n
), . . . , g
k
(x
1
, . . . , x
n
))
t
, es decir
rL(x
1
, . . . , x
n
, `) = 0
donde L representa el Lagrangeano del problema (2.5).
De los puntos crticos para el Lagrangeano, ms las restricciones, obtenemos posibles candidatos a mnimos o
mximos locales:
rL(x) = 0
g
i
(x) = 0 8i 2 I
En el caso sin restricciones, el criterio para determinar de que tipo eran los posibles extremos era analizando la
matriz Hessiana de la funcin objetivo, en dependencia de si esta era denida negativa o positiva, entonces se tena
un mximo o un mnimo respectivamente.
Un criterio similar se tiene para el caso de un problema con restricciones, sin embargo no ser necesario que el
Hessiano, en este caso el del Lagrangeano, sea denido positivo o negativo para cada direccin d, en realidad
bastar que lo sea en un cierto conjunto que denominaremos conjunto de direcciones crticas y lo deniremos como:
K(x) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rf(x
0
) d 0}
cuando el problema es de minimizacin y
K(x) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rf(x
0
) d 0}
cuando es de maximizacin.
Teorema 2.13. Sea x
0
2 S = {x : g
i
(x) = 0 8i 2 I}. Supongamos que
{rg
1
(x
0
), . . . , rg
k
(x
0
)}
es linealmente independiente, entonces existe ` 2 R
k
tal que
rL(x
0
, `) = 0
Si adems se tiene que
d
t
H
x
L(x
0
, `)d > 0 8d 2 K(x), d 6= 0
entonces x
0
es un mnimo local de (2.5). Mientras que si se tiene
d
t
(H
x
L(x
0
, `))d < 0 8d 2 K(x), d 6= 0
entonces x
0
es un mximo local de (2.5).
Por razones pedaggicas, la demostracin de este teorema no se har hasta el captulo 5 a n de seguir con
contenidos que son tanto o ms importantes en el curso y hacerla cuando hayamos visto con detalle el teorema de
los multiplicadores de Lagrange.
Hay que tener presente que en el teorema el hessiano del Lagrangeano es solo con respecto a x, es decir
H
x
L(x
0
, `) =
_

_
d
2
L
dx
2
1
(x
0
, `)
d
2
L
dx1dx2
(x
0
, `)
d
2
L
dx1dxn
(x
0
, `)
.
.
.
.
.
.
.
.
.
.
.
.
d
2
L
dxndx1
(x
0
, `)
d
2
L
dxndx2
(x
0
, `)
d
2
L
dx
2
n
(x
0
, `)
_

_
=
_
0
2
L
0x
i
0x
j
(x
0
, `)
_
n
i,j=1
58
2.6. Ejercicios
Ejemplo 2.13. En el ejemplo (2.9), diga si el punto (x
0
, y
0
) = (
1
2
,
1
2
) es un mximo o un mnimo.
Solucin. Para esto, construyamos primeramente el Lagrangeano del problema:
L(x, y, `) = x
2
+y
2
`(y x 1)
Recordemos que el multiplicador de Lagrange era ` = 1, por tanto, el Hessiano del Lagrangeano queda:
H
x
L(x
0
, y
0
, `) =

2 0
0 2

el cual es denido positivo para todo d, en particular para las direcciones del conjunto de direcciones crticas y por
tanto el punto (x
0
, y
0
) = (
1
2
,
1
2
) es un mnimo.
Ejemplo 2.14. Optimice el valor de la funcin f(x, y) = x sobre el conjunto de puntos (x, y) tales que x
2
+2y
2
= 3.
Solucin. El Lagrangeano para este problema queda de la siguiente forma:
L(x, y, `) = x `(x
2
+ 2y
2
3)
a partir del cual, aplicando el sistema lagrangeano (2.3) se obtiene
_
_
_
1 = 2`x
0
0 = 4`y
0
x
2
0
+ 2y
2
0
= 3
)
1 = 2`x
0
x
2
0
+ 2y
2
0
= 3
y por tanto, los posibles candidatos a extremos (` no puede ser cero) son:
(x
1
, y
1
, `
1
) =

p
3, 0,
1
2
p
3

(x
2
, y
2
, `
2
) =

p
3, 0,
1
2
p
3

por otro lado se tiene que:


H
x
L(x, y, `) =

2` 0
0 4`

es decir, para
(x
1
, y
1
, `
1
) =

p
3, 0,
1
2
p
3

H
x
L(x
1
, y
1
, `
1
) es denida negativa y por tanto (x
1
, y
1
) = (
p
3, 0) es un mximo local mientras que para
(x
2
, y
2
, `
2
) =

p
3, 0,
1
2
p
3

H
x
L(x
2
, y
2
, `
2
) es denida positiva y por lo tanto (x
2
, y
2
) = (
p
3, 0) es un mnimo local.
2.6. Ejercicios
Derivadas superiores y teorema de Taylor
Ejercicio 1. Sea f(u, v, w) una funcin con derivadas parciales continuas de orden 1 y 2, y sea g(x, y) = f(x +
y, x y, xy). Calcule g
xx
+g
yy
en trminos de derivadas de f(u, v, w).
59
FCFM - Universidad de Chile
Ejercicio 2. Considere la funcon f(x, y) = x
3
y +sen(x
2
y) y verique que
0
4
f
0x0
2
y0x
=
0
4
f
0
2
y0
2
x
Ejercicio 3. Encuentre una funcin f : R
2
!R continua tal que lm
kxk!+1
f(x) = 0 y que no posea mximo global.
Ejercicio 4. Sea u(x, y) una funcin con derivadas parciales continuas de orden 2 y considere la funcin
v(s, t) = u(e
s
cos(t), e
s
sen(t))
. Demuestre que
0
2
v
0s
2
+
0
2
v
0t
2
= e
2s

0
2
u
0x
2
+
0
2
u
0y
2

Ejercicio 5. Considere la funcion u : R


n+1
!R, denida como
u(t, x) = (at)
;
exp

kxk
2
t

Muestre que u verica la ecuacion de difusion:


0u
0t
(t, x) = k
2
u(t, x)
Para k > 0 y el laplaciano calculado sin considerar la derivada con respecto a t, si y slo si =
1
4k
2
, =
n
2
y a
cualquiera.
Ejercicio 6. Una funcin f(x) denida en un dominio D R
n
es homognea de grado m 0 si y slo si se cumple
f(tx
1
, . . . , tx
n
) = t
m
f(x
1
, . . . , x
n
)
Dado esto, demuestre que:
1. Si la funcin f(x) es homognea de grado m 1 entonces sus derivadas parciales son homogneas de grado
m1, esto es
n

i=1
0f(tx
1
, . . . , tx
n
)
0x
i
= t
m1
n

i=1
0f(x
1
, . . . , x
n
)
0x
i
Indicacin. Dena g(t) = f(tx) y derive con respecto a t.
2. Una funcin homognea de grado m 0 puede expresarse cmo la suma de todas sus variables ponderadas
por las derivadas parciales respectivas, esto es
mf(x) =
n

1
x
i
0f(x)
0x
i
Indicacin. Utilice el resultado de la parte 1.
Ejercicio 7. Demostrar que si f es de clase C
2
entonces
f(x
0
+h) = f(x
0
) +rf(x
0
)h + 1/2Hf(x
0
)h
t
+R
2
(x
0
, h)
donde
lm
h!0
R
2
(x
0
, h)
khk
= 0
60
2.6. Ejercicios
Ejercicio 8. Una funcin u = f(x, y) con segundas derivadas parciales continuas que satisfaga la ecuacin de
Laplace
0
2
u
0x
2
+
0
2
u
0y
2
= 0
se llama funcin armnica. Determinar cuales de las siguientes funciones son armnicas.
1. u(x, y) = x
3
3xy
2
2. u(x, y) = sen(x) cosh(y)
3. u(x, y) = e
x
seny
Ejercicio 9. Sea f : R
2
!R. Para cada x dena g
x
: R !R, g
x
(y) = f(x, y). Suponga que para cada x existe un
nico y tal que g
0
x
(y) = 0. Si se denota por c(x) tal y y se supone que es diferenciable demostrar:
1. Si
d
2
f
dy
2
(x, y) 6= 0 para todo (x, y) entonces:
c
0
(x) =
d
2
f
dydx
(x, c(x))
d
2
f
dy
2
(x, c(x))
2. Si c
0
(x) = 0, entonces existe un y tal que
0
2
f
0y0x
(x, y) = 0 y
0f
0y
(x, y) = 0
Ejercicio 10. Considere la funcin f : R
2
!R denida por:
f(x, y) =
_
x
2
arctan(y/x) y
2
arctan(x/y) si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
1. Calcule f(x, 0) y f(0, y) para x 6= 0,y 6= 0 respectivamente.
2. Para (x, y) 6= (0, 0), determine rf(x, y) y H
f
(x, y). Es H
f
(x, y) matriz simtrica?.
3. Se cumple que
0
2
f
0x0y
(0, 0) =
0
2
f
0y0x
(0, 0)?. Justique.
4. Encuentre el polinomio de Taylor de orden 2 en torno a (0,0).
Ejercicio 11. Calcular el polinomio de Taylor de orden 2 en torno a (

2
, 1) de la funcin denida por
f(x, y) = sen(xy) + cos(xy) + 2(x +y)
Ejercicio 12. Calcular la expansin de Taylor de segundo orden de las funciones siguientes en los puntos sealados,
y calcule una vecindad en torno al punto tal que la aproximacin tenga un error de a lo ms 10
2
.
1. f(x, y, z) = (x
2
+ 2xy +y
2
)e
z
en {(1, 2, 0), (3, 2, 5)}.
2. f(x, y, z) = (x
3
+ 3x
2
y +y
3
)e
z
2
en {(0, 0, 0), (3, 2, 3)}.
3. f(x
1
, x
2
, x
3
, x
4
) = log(cos(x
1
+x
2
x
3
x
4
)) en (0, 0, 0, 0).
Ejercicio 13. Encuentre la aproximacin de primer orden P
1
(x, y, z) y la aproximacin de segundo orden P
2
(x, y, z)
para la funcin
f(x, y, z) = xe
y
+ze
2y
en torno al punto (x
0
, y
0
, z
0
) = (0, 0, 0). Encuentre una vecindad en torno al origen que garantice un error de a lo
ms 10
3
.
61
FCFM - Universidad de Chile
Ejercicio 14. Sea f : R
n
!R de clase C
1
. Pruebe que en general no se tiene que la serie de Taylor de f converge
a f. Para esto considere como contraejemplo la funcin f : R !R denida por
f(x) =
_
e

1
x
2
si x < 0
0 si x 0
Pruebe que es C
1
y estudie su serie de Taylor en torno a cero.
Ejercicio 15. Escribir la frmula general de Taylor de orden 3.
Extremos de funciones con valores reales
Ejercicio 16. Sea f : R
2
! R una funcin continua que satisface lm
kxk!+1
f(x) = 0 y f(x
0
) > 0 para algn
x
0
2 R
2
. Pruebe que f posee un mnimo global.
Ejercicio 17. Sea f(x, y) = (ax
2
+by
2
)e
(x
2
+y
2
)
, con a, b > 0. Calcule todos los mximos y mnimos globales.
Indicacin. Analice los casos a = b,a < b y a > b.
Ejercicio 18. Calcular los extremos relativos y los puntos silla para las funciones
1. cos(x) cosh(y) donde cosh(x) =
1
2
(e
x
+e
x
).
2. f(x) =

m
i=0
kx y
i
k
2
donde x 2 R
n
e y
i
2 R
n
, i 2 {1, . . . , m}.
Funciones cncavas y convexas
Ejercicio 19. Dados d 2 R
3
\ {0} y - > 0, se llama cono de Bishop-Phelps al conjunto
K(d, -) = {x 2 R
3
: -kdkkxk hx, di}
Demuestre que K(d, -) es convexo para todo d 2 R
3
\ {0} y - > 0.
Ejercicio 20. Dados a, b 2 R
2
y 2 [0, 1] se llama ptalo de Penot al conjunto
P
;
(a, b) = {x 2 R
2
: ka xk +kx bk kb ak}
Demuestre que P
;
(d, -) es convexo para todo a, b 2 R
2
y 2 [0, 1].
Ejercicio 21. Sea g : R
n
!R una funcin convexa. Se dene f(x) = exp[g(x)]. Demuestre que f es convexa.
Extremos restringidos
Ejercicio 22. De un cartn de 20m
2
se va a construir una caja rectangular sin tapa. Determine el mximo volumen
de la caja utilizando multiplicadores de Lagrange.
Ejercicio 23. Determinar el paraleleppedo de lados paralelos a los ejes de coordenadas, y de mximo volumen
que cabe dentro del elipsoide
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1
Ejercicio 24. Para p, q, r nmeros racionales positivos, considere la funcin f(x, y, z) = x
p
y
q
z
r
y determine el
mayor valor de f(x, y, z) cuando x +y +z = a, x > 0, y > 0 y z > 0.
62
2.6. Ejercicios
Ejercicio 25. Determine todos los valores extremos de f(x, y) = x
2
+y
2
+z en la regin x
2
+y
2
+z
2
1, z 0.
Ejercicio 26. Encontrar los puntos de la esfera
3x
2
+ 3y
2
+ 3z
2
= 18
que estn ms lejos y ms cerca del punto (3, 1, 1) mediante multiplicadores de Lagrange.
Ejercicio 27. Encuentre el mximo valor de la funcin
x + 2y + 3z
en la curva de la interseccin del plano 2x y + z = 1 y el cilindro x
2
+ y
2
= 1 mediante multiplicadores de
Lagrange.
Ejercicio 28. Sean p, q > 0. Encontrar el mnimo de la funcin f : R
2
!R denida por
f(x, y) =
x
p
p
+
y
q
q
sujeto a x, y > 0 y xy = 1. Usar este resultado para deducir la siguiente desigualdad cuando
1
p
+
1
q
= 1 y x, y > 0
xy
x
p
p
+
y
q
q
Ejercicio 29. Dada la funcin f : R
3
! R tal que f(x, y, z) = xy + z, determine si existe mnimos y mximos
globales de f en la regin A =
_
(x, y, z) 2 R
3
: x
2
+y
2
xy +z
2
1
_
. En caso de existir, calclelos.
Ejercicio 30. Calcular los extremos y los puntos silla para las funciones
1. f(x, y, z) = x
2
+y
2
+z
2
tal que xy = 1.
2. f(x, y, z) = x
2
+ 3y
2
+ 2z
2
2xy + 2xz tal que x +y +z = 1.
Ejercicio 31. Resuelva el siguiente problema:
mn
x,y
x
2
y
2
s.a x
2
+y
2
= 1
Ejercicio 32. Resuelva el siguiente problema:
mn
x,y,z
x +y +z
s.a x
2
+y
2
= 2
x +z = 1
Ejercicio 33. Resuelva el siguiente problema:
mn
d
kc dk
2
s.a Ad = 0
donde c, d 2 R
n
, A 2 M
mn
y m < n.
63
FCFM - Universidad de Chile
1. Encuentre una solucin d
0
para el problema, caractercela.
2. Determine las condiciones para que la solucin encontrada sea nica.
3. Demuestre que d
0
satisface c d
0
0, y que
c d
0
0 , 9` 2 R
m
tal que A
t
` = c
Ejercicio 34. Sean a, b, c 2 R
++
. Considere la funcin
f(x, y, z) = x
a
y
b
z
c
Determine el mayor valor de f(x, y, z) mediante multiplicadores de Lagrange cuando
x +y +z = a , x, y, z > 0
Ejercicio 35. Encuentre el mnimo de la funcin
f(x, y) = x
2
+ 2y
2
sujeto a la restriccin
x
2
+y
2
= 2
Ejercicio 36. Doa Paipa es una vendedora que tiene un carrito de sopaipillas a la entrada de Beauche y desea
maximizar sus utilidades (ingreso menos costos) de la venta diaria. Lo que se sabe es:
1. La produccin de sopaipillas es representable por medio de la funcin f : R
3
! R denida por f(x, y, z) =
p
xyz y (x, y, z) son los insumos aceite (x), masa (y) y gas (z).
2. Lo que interesa como horizonte de tiempo es la produccin de un da. Cada da se pueden producir a lo ms
500 sopaipillas.
3. El costo de los insumos es 15, 20 y 35 pesos respectivamente. Cada sopaipilla se vende a 100 pesos.
En base a esta informacin:
1. Plantee el problema de optimizacin.
2. Resuelva utilizando multiplicadores de Lagrange para obtener la cantidad ptima que debe vender.
3. Determine el margen de ganancia que tiene Doa Paipa luego de un da de trabajo.
Ejercicio 37. Suponga que ahora Doa Paipa logra instalar un local de pizzas frente al edicio CEC. Nuevamente,
lo que le interesa es maximizar las utilidades de la venta diaria. La produccin de pizzas es representable por medio
de la funcin f : R
3
! R denida por f(x, y, z) = (x
2
+ y
2
+ z
2
+ w
2
)
1/2
y (x, y, z, w) son los insumos masa (x),
queso (y), otro ingrediente (z) y electricidad (w).
Ahora los costos son distintos y todos los insumos tienen un costo unitario de 100 pesos. Cada pizza se vende a 500
pesos y se pueden producir a lo ms 200 pizzas por da.
En base a esta informacin plantee el problema de optimizacin y resuelva.
Ejercicio 38. La via Don Pach produce tres tipos de vinos (Carmnre, Cavernet Sauvignon y Merlot). Por
razones enolgicas que no son parte del apunte la produccin de cada vino viene dada por combinaciones de capital
(K) y mano de obra (L) representables por medio de las siguientes funciones
1. Carmenere: f(K, L) = 0, 8K
0,3
L
0,7
2. Cavernet Sauvignon: f(K, L) = KL
64
2.6. Ejercicios
3. Merlot: f(K, L) = (K
1/2
+L
1/2
)
2
Si el costo de una unidad de capital es m y de una unidad mano de obra es n. Obtenga la demanda por factores
proveniente de la minimizacin de costos para cada caso, planteando el problema de minimizacin general y resuelva
utilizando multiplicadores de Lagrange.
Ejercicio 39. Considere la forma cuadrtica
(x, y)

2 1
1 2

x
y

minimice su valor sujeto a la restriccin k(x, y)k


2
= 1.
Criterio de 2
do
orden para extremos restringidos
Ejercicio 40. Sea f : R
3
!R denida por f(x, y, z) = ln(xyz
3
)
1. Encuentre el valor mximo de f sobre
{(x, y, z) 2 R
3
: x
2
+y
2
+z
2
= 5r
2
, x > 0, y > 0, z > 0}
Indicacin. Verique que el hessiano del lagrangeano es denido positivo sobre dicho punto.
2. Usando lo anterior, muestre que para nmeros reales positivos se cumple
abc
3
27

a +b +c
5

5
Ejercicio 41. Sea Q 2 M
nn
(R), b 2 R
n
, c 2 R y sea f(x) = x
t
Qx + b x + c. Encuentre las condiciones sobre
Q para la existencia de mximos y mnimos para f.
Adems, encuentre las mismas condiciones de la parte anterior pero bajo la restriccin
n

i=1
x
2
i
n
= 1
65
CAPTULO 3
Integracin
Nos interesa extender la nocin de rea bajo una curva, formalizada por la integral de Riemann en una variable, a
la de rea bajo una supercie en R
n
. Luego estudiaremos las propiedades fundamentales de la integral de Riemann
en varias variables. Finalmente veremos algunas aplicaciones a problemas fsicos.
3.1. Integral de Riemann en R
2
3.1.1. Deniciones
Denicin 3.1. R R
2
es un rectngulo si y slo si R = [a
1
, b
1
] [a
2
, b
2
] con a
1
, b
1
, a
2
, b
2
2 R.
El rea de un rectngulo R = [a
1
, b
1
] [a
2
, b
2
] es
V (R) = (b
1
a
1
)(b
2
a
2
)
Denicin 3.2. Para m 2 N, la m-equiparticin del intervalo [a, b] con a, b 2 R es
_
[c
0
, c
1
], [c
1
, c
2
], . . . , [c
m1
, c
m
]
_
con c
i
= a +i
ba
m
, i = 0, . . . , m.
R
R
1
c
R1
R
3
R
2
R
4
c
R2
c
R3
c
R4
Figura 3.1.: 2-equiparticin y seleccin
Denicin 3.3. Para m 2 N, la m-equiparticin del rectngulo R = [a
1
, b
1
] [a
2
, b
2
] es P = {I
1
I
2
: I
i
2 P
i
, i =
1, 2} con P
i
m-equiparticin del intervalo [a
i
, b
i
], i = 1, 2. La denotaremos P
m
(R).
67
FCFM - Universidad de Chile
Denicin 3.4. Dado un rectngulo R R
2
y m 2 N, decimos que (c
P
)
P2Pm(R)
es una seleccin (para P
m
(R)) si
(8P 2 P
m
(R))c
P
2 P.
Notar que cada elemento de una m-equiparticin es un rectngulo y que una m-equiparticin es nita, luego la
siguiente denicin tiene sentido:
Denicin 3.5. Sea m 2 N, R R
2
rectngulo, f : R ! R y una seleccin (c
P
)
P2Pm(R)
. Se dene la suma de
Riemann asociada a f y (c
P
)
P2Pm(R)
como:
S

f, (c
P
)
P2Pm(R)

P2Pm(R)
f(c
P
)V (P)
Denicin 3.6. Sea R R
2
rectngulo, f : R ! R. Decimos que f es Riemann integrable en R si y slo si
(9S 2 R)(8- > 0)(9m
0
2 N)(8m m
0
)

f, (c
P
)
P2Pm(R)

< -
para toda eleccin de los (c
P
)
P2Pm(R)
.
S se llama integral (de Riemann) de f sobre R y se denota:
_
R
f
La integral de f tambin se anota:
_
R
f(x) dx
5
1
4
2
0,25
x
3
3
0,50
y
4
2
0,75
5
1,00
1
Figura 3.2.: Suma de Riemann para la funcin f(x, y) = sen
_
xy
15
_
para P
4
([1, 5]
2
)
Ejemplo 3.1. Para R = [0, 1]
2
, no es integrable en R la funcin f : R !R dada por
f(x, y) =
_
1 si (x, y) 2 QQ
0 si (x, y) / 2 QQ
3.1.2. Propiedades bsicas
Proposicin 3.1. Sea R R
2
rectngulo, f : R !R. Si f es integrable en R entonces f es acotada en R.
68
3.1. Integral de Riemann en R
2
Demostracin. En efecto, sea - = 1, m = m
0
en la denicin de integrabilidad. Luego

f, (c
P
)
P2Pm(R)

< 1

P2Pm(R)
f(c
P
)V (P) S

< 1

P2Pm(R)
f(c
P
)V (P)

< 1 + |S|
y para un cierto P
0
2 P
m
(R)

f(c
P0
)

V (P
0
) < 1 + |S| +

P2Pm(R)\{P0}
f(c
P
)V (P)

f(c
P0
)

<
1
V (P
0
)

1 + |S| +

P2Pm(R)\{P0}
f(c
P
)V (P)

Fijando los c
P
, para P 2 P
m
(R) \ {P
0
} y notando que c
P0
es arbitrario en P
0
se concluye que f es acotada en P
0
.
Como adems P
0
es arbitrario en P
m
(R) se concluye que f es acotada en cada P 2 P
m
(R), luego f es acotada en
R.
La siguiente propiedad es anloga a la condicin de Cauchy para una sucesin, luego es til por ejemplo para
estudiar la integrabilidad de una funcin cuando no se conoce el valor de su integral.
Proposicin 3.2. Sea R R
2
rectngulo, f : R !R. Son equivalentes:
1. 8- > 0, 9m
0
2 N, 8k, m m
0
, 8(c
0
P
)
P2P
k
(R)
seleccin, 8(c
P
)
P2Pm(R)
seleccin

f, (c
0
P
)
P2P
k
(R)

f, (c
P
)
P2Pm(R)

< -
2. f es integrable en R.
Demostracin. linea en blanco
()): Fijemos ciertas selecciones (c
m
P
)
P2Pm(R)
, para cada m 2 N. Luego, por la hiptesis, la sucesin

f, (c
m
P
)
P2Pm(R)

m2N
resulta ser de Cauchy y converge a un cierto S 2 R. Sea - > 0. Sea m
1
m
0
tal que (8m m
0
)

f, (c
m
P
)
P2Pm(R)

< -
Sea m m
0
y una seleccin (c
P
)
P2Pm(R)
arbitraria. As, nuevamente con la hiptesis, resulta que

f, (c
P
)
P2Pm(R)

f, (c
P
)
P2Pm(R)

f, (c
m1
P
)
P2Pm
1

f, (c
m1
P
)
P2Pm
1

< 2-
((): Sea - > 0, sea m
0
2 N tal que (8m m
0
)

f, (c
P
)
P2Pm(R)

< -
69
FCFM - Universidad de Chile
para toda eleccin de los (c
P
)
P2Pm(R)
. Sean k, m m
0
arbitrarios, sean (c
P
)
P2Pm(R)
, (c
0
P
)
P2P
k
(R)
selecciones
arbitrarias. Luego:

f, (c
P
)
P2Pm(R)

f, (c
0
P
)
P2P
k
(R)

f, (c
P
)
P2Pm(R)

S S

f, (c
0
P
)
P2P
k
(R)

2-

El siguiente lema es una consecuencia de la proposicin 3.2 y nos da una condicin necesaria y suciente de integra-
bilidad ms fcil de vericar en varias de las propiedades que siguen. La principal diferencia con la proposicin 3.2
es que en vez de comparar todos los pares de particiones, compara pares de particiones que son una un renamiento
de la otra.
Lema 3.1. Sea R R
2
rectngulo, f : R !R. Son equivalentes
1. (8- > 0)(9m
0
2 N)(8k 2 N)(8m m
0
)(8(c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
seleccin)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q) < -
2. f es integrable en R.
Demostracin. Usaremos la proposicin 3.2 para sustituir la condicin f integrable en R.
()): Sea - > 0. Por hiptesis
(9m
0
2 N)(8k 2 N)(8m m
0
)(8(c
P
)
P2Pm(R)
seleccin)(8(c
0
P
)
P2P
km
(R)
seleccin)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q) < -
Sean k, m m
0
, sean (c
P
)
P2Pm(R)
, (c
0
P
)
P2P
k
(R)
selecciones. Sea (c
0
P
)
P2P
km
(R)
seleccin. Luego:

f, (c
0
Q
)
Q2P
km
(R)

f, (c
P
)
P2Pm(R)

Q2P
km
(R)
f(c
0
Q
)V (Q)

P2Pm(R)
f(c
P
)V (P)

P2Pm(R)

Q2P
km
(R)
QP
f(c
0
Q
)V (Q)

P2Pm(R)
f(c
P
)

Q2P
km
(R)
QP
V (Q)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)
< -
y anlogamente

f, (c
0
Q
)
Q2P
km
(R)

f, (c
0
P
)
P2P
k
(R)

< -
70
3.1. Integral de Riemann en R
2
As

f, (c
P
)
P2Pm(R)

f, (c
0
P
)
P2P
k
(R)

f, (c
P
)
P2Pm(R)

S
_
f, (c
0
Q
)
Q2P
km
(R)
_

S
_
f, (c
0
Q
)
Q2P
km
(R)
_
S

f, (c
0
P
)
P2P
k
(R)

< 2-
((): Sea - > 0. Por hiptesis, (9m
0
2 N)(8k, m m
0
)(8(c
0
P
)
P2P
k
(R)
seleccin)(8(c
P
)
P2Pm(R)
seleccin)

f, (c
0
P
)
P2P
k
(R)

f, (c
P
)
P2Pm(R)

< -
Sean k 2 N, m m
0
, sean (c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
selecciones. Para P 2 P
m
(R) denamos
c
+
P
= argmax{f(c
0
Q
) : Q 2 P
km
(R), Q P} [ {f(c
P
)}
c

P
= argmin{f(c
0
Q
) : Q 2 P
km
(R), Q P} [ {f(c
P
)}
Luego

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)

P2Pm(R)

Q2P
km
(R)
QP
_
f(c
+
P
) f(c

P
)
_
V (Q)
=

P2Pm(R)
_
f(c
+
P
) f(c

P
)
_
V (P)
= S

f, (c
+
Q
)
Q2Pm(R)

f, (c

P
)
P2Pm(R)

< -

Posteriormente (teorema 4.11) probaremos que toda funcin continua sobre un rectngulo es uniformemente continua
en l. En realidad lo probaremos para conjuntos mucho ms generales que rectngulos, llamados compactos. Esta
propiedad se utiliza en la demostracin de la siguiente proposicin.
Proposicin 3.3. Sea R R
2
rectngulo, f : R !R. Si f es continua en R entonces f es integrable en R.
Demostracin. Como R es compacto y f es continua en R se tiene que f es uniformemente continua en R. Luego,
para - > 0 arbitrario, (9c > 0)(8x, y 2 R)
kx yk < c )

f(x) f(y)

< -
Recurriremos al lema 3.1. Sea m
0
2 N tal que (8P 2 P
m0
)(8x, y 2 P) kx yk < c. Sea m m
0
, k 2 N. Sean
(c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
selecciones.
Por la uniforme continuidad se tiene que

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q) -V (R)

71
FCFM - Universidad de Chile
Proposicin 3.4. (Propiedades de la clase de funciones integrables)
Sean R R
2
rectngulo, f, g : R !R funciones integrables y c 2 R. Se tienen las siguientes propiedades:
1. Linealidad: f +cg es integrable en R, entonces
_
R
f +cg =
_
R
f +c
_
R
g
2. Monotona: si (8x 2 R)f(x) g(x), entonces
_
R
f
_
R
g
3. |f| es integrable en R, entonces

_
R
f

_
R
|f|
Demostracin.
1. Sea - > 0 arbitrario. Sea m
0
2 N tal que (8m m
0
)(8(c
P
)
P2Pm(R)
seleccin)

f, (c
P
)
P2Pm(R)

_
R
f

< -
y

g, (c
P
)
P2Pm(R)

_
R
f

< -
Por otra parte, se tiene:
S

f +cg, (c
P
)
P2Pm(R)

= S

f, (c
P
)
P2Pm(R)

+cS

g, (c
P
)
P2Pm(R)

As,

f +cg, (c
P
)
P2Pm(R)

(
_
R
f +c
_
R
g)

f, (c
P
)
P2Pm(R)

_
R
f

+ |c|

g, (c
P
)
P2Pm(R)

_
R
g

_
1 + |c|
_
-
Luego, por denicin de integral de Riemann, se concluye.
2. Es directo de considerar que en este caso se cumple que 8m 2 N, 8(c
P
)
P2Pm(R)
seleccin
S

f, (c
P
)
P2Pm(R)

g, (c
P
)
P2Pm(R)

y aplicar la denicin de integral de Riemann.


3. Veamos que |f| es integrable en R por medio del lema 3.1.
En efecto, sea - > 0. Como f es integrable, por el mismo lema
(9m
0
2 N)(8k 2 N)(8m m
0
)(8(c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
seleccin)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q) < -
72
3.1. Integral de Riemann en R
2
Luego, sean k 2 N, m m
0
. Se sabe que (8x, y 2 R)

|x| |y|

|x y|
As

P2Pm(R)

Q2P
km
(R)
QP

|f| (c
0
Q
) |f| (c
P
)

V (Q)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)
-
En conclusin, |f| es integrable en R. Finalmente, se tiene
|f| f |f|
que, con la parte anterior, implica que

_
R
|f|
_
R
f
_
R
|f|
es decir

_
R
f

_
R
|f|

Proposicin 3.5. Sea R R


2
rectngulo, f : R !R. Si f es integrable en R entonces
V (R) nf
x2R
f(x)
_
R
f V (R) sup
x2R
f(x)
Demostracin. Basta notar que 8m 2 N, 8(c
P
)
P2Pm(R)
seleccin
V (R) nf
x2R
f(x) S

f, (c
P
)
P2Pm(R)

V (R) sup
x2R
f(x)

2,0
1,0
0,00
0,25
1,5
x
0,50
y
1,5
0,75
1,00
2,0
1,0
Figura 3.3.: Ejemplo de que V (R)nf
x2R
f(x)
_
R
f
73
FCFM - Universidad de Chile
3.1.3. Integracin de sucesiones de funciones
Proposicin 3.6. Sea R R
2
rectngulo, (f
k
)
k2N
sucesin de funciones, f
k
: R !R, que convergen uniformemente
en R a f : R !R. Entonces f es integrable en R y
_
R
f = lm
k!1
_
R
f
k
Demostracin. Veamos que f es integrable en R por medio del lema 3.1. Sea - > 0. Sea k
0
2 N tal que
sup
x2R

f(x) f
k0
(x)

< - (3.1)
De acuerdo al lema 3.1, sea m
0
2 N tal que
(8k 2 N)(8m m
0
)(8(c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
seleccin)

P2Pm(R)

Q2P
km
(R)
QP

f
k0
(c
0
Q
) f
k0
(c
P
)

V (Q) < - (3.2)


Luego, sean k 2 N, m m
0
. Por la desigualdad triangular se tiene que

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f
k0
(c
0
Q
)

V (Q)
+

P2Pm(R)

Q2P
km
(R)
QP

f
k0
(c
0
Q
) f
k0
(c
P
)

V (Q)
+

P2Pm(R)

Q2P
km
(R)
QP

f
k0
(c
P
) f(c
P
)

V (Q)
y aplicando 3.1 y 3.2 se obtiene
-
_
2V (R) + 1
_
En conclusin, f es integrable en R. Por otra parte, por la proposicin 3.5

_
R
f
k

_
R
f

_
R
(f
k
f)

_
R
|f
k
f|
V (R) sup
x2R
|f
k
(x) f(x)|
lo cual implica que
_
R
f = lm
k!1
_
R
f
k

74
3.1. Integral de Riemann en R
2
Ejemplo 3.2. Una sucesin de funciones integrables que converge puntualmente a un lmite que no lo es. Sea la
numeracin {q
0
, q
1
, . . . } = [0, 1] \ Q, sea I = [0, 1] y las funciones f, f
n
: I !R dadas por
f
n
(x) =
_
1 si (x, y) 2 {q
1
, . . . , q
n
}
0 si (x, y) / 2 {q
1
, . . . , q
n
}
f(x) =
_
1 (x, y) 2 [0, 1] \ Q
0 (x, y) / 2 [0, 1] \ Q
En I, se tiene que f
n
converge a f puntualmente (pero no uniformemente) y cada f
n
es integrable, pero f no es
integrable.
3.1.4. Extensin de la clase de funciones integrables
An cuando la clase de funciones continuas es muy amplia, todava no es suciente para muchas aplicaciones. As,
a continuacin veremos una condicin suciente de integrabilidad un poco ms dbil que la continuidad, esto es,
que una funcin sea continua salvo sobre la unin de grafos de funciones continuas.
Recordar que el grafo de una funcin g : [a, b] !R es
grafo(g) =
_
(x, g(x)) 2 R
2
: x 2 [a, b]
_
Intuitivamente, el lema siguiente nos dice que el grafo de una funcin continua tiene volumen cero.
Lema 3.2. Sea f : [a, b] ![c, d] continua. Denotemos R = [a, b] [c, d]. Entonces
lm
m!1

P2Pm(R)
P\grafo(g)6=?
V (P) = 0
Demostracin. Sea - > 0. Como f continua en [a, b] compacto, se tiene que f es uniformemente continua en [a, b]
(teorema 4.11). Luego (9c > 0)(8x, y 2 [a, b])
|x y| < c )

f(x) f(y)

< -
As, escojamos m
0
2 N tal que (b a)(d c)/m
0
- y
(b a)/m
0
< c (3.3)
Entonces, se cumple que (8m m
0
)

P2Pm(R)
P\grafo(g)6=?
V (P) =
(b a)(d c)
m
2

{P 2 P
m
(R) : P \ grafo(g) 6= ?}

Gracias a la uniforme continuidad y (3.3)

{P 2 P
m
(R) : P \ grafo(g) 6= ?}

m(
-
(d c)/m
+ 1)
As, 8m m
0

P2Pm(R)
P\grafo(g)6=?
V (P)
(b a)(d c)
m
2
m(
-
(d c)/m
+ 1)
= -(b a) +
(b a)(d c)
m
-(b a + 1)
75
FCFM - Universidad de Chile

Para A R
n
acotado, se dene el dimetro de A como
diam(A) = sup
x,y2A
kx yk
A
x y
diam(A) = kx yk
Figura 3.4.: Dimetro de un conjunto A R
2
Proposicin 3.7. Sea R = [a, b] [c, d] R
2
rectngulo, f : R ! R acotada en R y continua en R ! grafo(g),
donde g : [a, b] ![c, d] es una funcin continua. Entonces f es integrable en R.
Demostracin. Sea K 2 R tal que (8x 2 R)

f(x)

K (3.4)
Recurriremos al lema 3.1. Sea - > 0 arbitrario. De acuerdo al lema 3.2, sea m
0
2 N tal que (8m m
0
)

P2Pm(R)
P\grafo(g)6=?
V (P) - (3.5)
Denotemos P

m
= {P 2 P
m
(R) : P \ grafo(g) = ?}, R

m
=

P2P

m
P. Como R

m0
es compacto y f es continua en
R

m0
se tiene que f es uniformemente continua en R

m0
. Luego (9c > 0)(8x, y 2 R

m0
)
kx yk < c )|f(x) f(y)| < - (3.6)
Sea m
1
m
0
tal que (8P 2 P
m1
(R)) diam(P) < c. Sea m m
1
, k 2 N. Sean (c
P
)
P2Pm(R)
, (c
0
P
)
P2P
km
(R)
selecciones. As

P2Pm(R)

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)
=

P2Pm(R)
PR

m
0

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q) +

P2Pm(R)
P*R

m
0

Q2P
km
(R)
QP

f(c
0
Q
) f(c
P
)

V (Q)
que, con (3.4) y (3.6), implica que
-V (R) + 2K

P2Pm(R)
P*R

m
0
V (P)
y con (3.5) resulta
-V (R) + -18K

Corolario 3.1. Sea R = [a, b] [c, d] R


2
rectngulo, f : R !R acotada en R y continua en R !

n
i=1
grafo(g
i
),
donde g
i
: [a, b] ![c, d] es continua. Entonces f es integrable en R.
76
3.1. Integral de Riemann en R
2
3.1.5. Teorema de Fubini
El siguiente teorema expresa la integral de una funcin en 2 variables como la aplicacin iterada de 2 integrales en
una variable bajo hiptesis mnimas y permite escoger arbitrariamente el orden de estas integrales en una variable
cuando la funcin a integrar es continua.
La demostracin la haremos en la seccin 3.2 en R
n
.
Teorema 3.1. (Teorema de Fubini en R
2
)
Sea R = [a, b] [c, d] R
2
rectngulo, f : R !R.
1. Si f integrable en R y (8x 2 [a, b]) f(x, ) integrable en [c, d], entonces
_
R
f =
_
b
a
_
_
d
c
f(x, y) dy
_
dx
2. Si f continua en R, entonces
_
R
f =
_
b
a
_
_
d
c
f(x, y) dy
_
dx =
_
d
c
_
_
b
a
f(x, y) dx
_
dy
Ejemplo 3.3. Para R = [0, 1] [0, 1], calcular
_
R
x
2
+y
Solucin. Por el teorema de Fubini, caso continuo, se tiene que
_
R
x
2
+y =
_
1
0
_
1
0
x
2
+y dy

dx
=
_
1
0
_
x
2
y +
y
2
2

1
y=0
_
dx
=
_
1
0
x
2
+
1
2
dx
=
x
3
3
+
x
2

1
0
=
5
6

Ejemplo 3.4. Veamos un caso en el que las integrales iteradas existen y son iguales, pero la funcin no es integrable.
Consideremos el cuadrado unitario R = [0, 1]
2
R
2
y la sucesin de cuadrados (R
k
)
k2N
contenidos en l dada por
la gura 3.5. Dividamos cada R
k
en 4 cuadrados iguales R
(1)
k
, R
(2)
k
, R
(3)
k
, R
(4)
k
. Denamos la funcin f : R !R dada
por
f(x, y) =
_

_
1
V (R
k
)
si (x, y) 2 int R
(1)
k
[ int R
(3)
k

1
V (R
k
)
si (x, y) 2 int R
(2)
k
[ int R
(4)
k
0 en otro caso
Para cada y 2 [0, 1] es claro que
_
1
0
f(x, y) dx = 0
y anlogamente para cada x 2 [0, 1]
_
1
0
f(x, y) dy = 0
77
FCFM - Universidad de Chile
Luego, las integrales iteradas son ambas nulas, esto es:
_
1
0
_
1
0
f(x, y) dy dx =
_
1
0
_
1
0
f(x, y) dxdy = 0.
Para convencernos de que f no es integrable, es suciente ver que |f| no es integrable. En efecto, |f| est dada por
|f| (x, y) =
_
1
V (R
k
)
si (x, y) 2 R
k
0 en otro caso
Si |f| fuera integrable, como los R
k
son disjuntos, se tendra que
_
R
|f| =

k2N
_
R
k
|f|
pero
_
R
k
|f| = 1
con lo que |f| no puede ser integrable en R.
R
R
1
R
2
R
3
R
(1)
1
R
(2)
1
R
(3)
1
R
(4)
1
R
(1)
2
R
(2)
2
R
(3)
2
R
(4)
2
Figura 3.5.: El dominio del ejemplo 3.4. Figura 3.6.: La funcin del ejemplo 3.4.
3.1.6. Integral en R
2
sobre dominios generales
A continuacin extenderemos la denicin de integral para considerar la integracin de funciones sobre algunos
dominios un tanto ms generales que los rectngulos.
Denicin 3.7. Sea R R
2
rectngulo, A R, f : A ! R. Denotemos f
0
: R ! R a la funcin dada por, para
x 2 R:
f
0
(x) =
_
f(x) si x 2 A
0 si x / 2 A
Si f
0
es integrable sobre R entonces se dice que f es funcin integrable sobre A y:
_
A
f =
_
R
f
0
78
3.1. Integral de Riemann en R
2
Denicin 3.8. La funcin indicatriz de un conjunto A R
2
se dene:
1
A
(x) =
_
1 si x 2 A
0 si x / 2 A
Denicin 3.9. Decimos que D R
2
es
1. Dominio de tipo 1 si y slo si 9a, b 2 R, 9c
1
, c
2
: [a, b] !R funciones continuas tales que (8x 2 [a, b])c
1
(x)
c
2
(x) y
D = {(x, y) 2 R
2
: a x b, c
1
(x) y c
2
(x)}
2. Dominio de tipo 2 si y slo si 9c, d 2 R, 9
1
,
2
: [c, d] !R funciones continuas tales que (8x 2 [c, d])
1
(x)

2
(x) y
D = {(x, y) 2 R
2
: c y d,
1
(y) x
2
(y)}
3. Dominio de tipo 3 si y slo si D es de tipo 1 y 2,
4. Dominio elemental si y slo si D es de tipo 1 2.
Figura 3.7.: Dominio del tipo 1 que no es del tipo 2 y dominio del tipo 3.
Si R R
2
es un rectngulo y D R es una regin elemental entonces f
0
(dada por la denicin 3.7) es continua en
R salvo sobre la unin nita de grafos de funciones. Luego
_
D
f existe. En general, supongamos que tenemos una
funcin f : A R !R con R rectngulo y A dominio del tipo 1, digamos:
A = {(x, y) 2 R
2
: a x b, c
1
(x) y c
2
(x)}
con a, b 2 R, c
1
, c
2
: [a, b] !R funciones continuas. Entonces, gracias al teorema de Fubini (teorema 3.1), se tiene
que:
_
A
f =
_
b
a
_
2(x)
1(x)
f(x, y) dy dx
Ejemplo 3.5. Calcular
_
T
(x
3
y + cos(x)) dy dx
donde
T = {(x, y) 2 R
2
: 0 x /2, 0 y x}
Solucin. Notar que T es una regin del tipo 1. Por denicin se tiene que
_
T
(x
3
y + cos(x)) dy dx =
_
[0,/2]
2
1
T
(x
3
y + cos(x)) dy dx
y, en virtud del teorema de Fubini:
=
_
/2
0
_
/2
0
1
T
_
x
3
y + cos(x)
_
dy dx
79
FCFM - Universidad de Chile
Ms an, con la denicin de T:
=
_
/2
0
_
x
0
_
x
3
y + cos(x)
_
dy dx
=
_
/2
0

x
3
y
2
2
+y cos(x)

x
y=0
dx
=
_
/2
0
x
5
2
+xcos(x) dx
=

x
6
12
+ cos(x) +xsen(x)

/2
0
=

6
768
+

2
1

3.2. Integral de Riemann en R


n
Las demostraciones que no se incluyen en esta seccin son idnticas a las hechas en la seccin 3.1, acerca de la
integral de Riemann en R
2
.
3.2.1. Deniciones
Denicin 3.10. R R
n
es un rectngulo si y slo si R = [a
1
, b
1
] [a
n
, b
n
] con a
i
, b
i
2 R.
Denicin 3.11. Para un rectngulo R = [a
1
, b
1
] [a
n
, b
n
] se dene su volumen como
V (R) =
n

i=1
b
i
a
i
Denicin 3.12. Para m 2 N, la m-equiparticin del rectngulo R = [a
1
, b
1
] [a
n
, b
n
] es {I
1
I
n
: I
i
2
P
i
, i = 1, . . . , n} con P
i
m-equiparticin del intervalo [a
i
, b
i
], i = 1, . . . , n. La denotaremos P
m
(R).
Dado un rectngulo R R
n
y m 2 N, decimos que (c
P
)
P2Pm(R)
es una seleccin (para P
m
(R)) si (8P 2 P
m
(R))c
P
2
P.
Notar que cada elemento de una m-equiparticin es un rectngulo y que una m-equiparticin es nita, luego la
siguiente denicin tiene sentido:
Denicin 3.13. Sea m 2 N, R R
n
rectngulo, f : R ! R y una seleccin (c
P
)
P2Pm(R)
. Se dene la suma de
Riemann asociada a f y (c
P
)
P2Pm(R)
como:
S

f, (c
P
)
P2Pm(R)

P2Pm(R)
f(c
P
)V (P)
Denicin 3.14. Sea R R
n
rectngulo, f : R ! R. Decimos que f es Riemann integrable en R si y slo si
(9S 2 R)

f, (c
P
)
P2Pm(R)

< -
para toda eleccin de los (c
P
)
P2Pm(R)
.
80
3.2. Integral de Riemann en R
n
S se llama integral (de Riemann) de f sobre R y se denota:
_
R
f
La integral de f tambin se anota:
_
R
f(x) dx
3.2.2. Propiedades Bsicas
Las propiedades que enunciaremos tienen una demostracin anloga a las que ya vimos en el caso de R
2
.
Proposicin 3.8. Sea R R
n
rectngulo, f : R !R. Si f es integrable en R entonces f es acotada en R.
Proposicin 3.9. Sea R R
n
rectngulo, f : R !R. Son equivalentes:
1. 8- > 0, 9m
0
2 N 8k, m m
0
, 8(c
0
P
)
P2P
k
(R)
seleccin, 8(c
P
)
P2Pm(R)
seleccin

f, (c
0
P
)
P2P
k
(R)

f, (c
P
)
P2Pm(R)

< -
2. f es integrable en R.
Proposicin 3.10. Sea R R
n
rectngulo, f : R !R. Si f es continua en R entonces f es integrable en R.
Proposicin 3.11. Sean R R
n
rectngulo, f, g : R ! R funciones integrables y c 2 R. Se tienen las siguientes
propiedades:
1. Linealidad: f +cg es integrable, entonces
_
R
f +cg =
_
R
f +c
_
g
2. Monotona: si (8x 2 R)f(x) g(x), entonces
_
R
f
_
R
g
3. |f| es integrable en R, entonces

_
R
f

_
R
|f|
Proposicin 3.12. Sea R R
n
rectngulo, f : R !R. Si f es integrable en R entonces
V (R) nf
x2R
f(x)
_
R
f V (R) sup
x2R
f(x)
3.2.3. Integracin de sucesiones de funciones
Proposicin 3.13. Sea R R
n
rectngulo, (f
k
)
k2N
sucesin de funciones, f
k
: R ! R, que convergen uniforme-
mente en R a f : R !R. Entonces f es integrable en R y
_
R
f = lm
k!1
_
R
f
k
81
FCFM - Universidad de Chile
3.2.4. Extensin de la clase de funciones integrables
Recordar que el grafo de una funcin g : A R
n
!R
m
es
grafo(g) = {(x, g(x)) 2 R
n+m
: x 2 A}
La demostracin del siguiente lema es anloga a la del lema 3.2.
Lema 3.3. Sea R
0
R
N1
rectngulo, f : R
0
![a, b] continua. Denotemos R = R
0
[a, b]. Entonces
lm
m!1

P2Pm(R)
P\grafo(g)6=?
V (P) = 0
Demostracin. Sea - > 0. Como f continua en R
0
compacto, se tiene que f es uniformemente continua en R
0
. Luego
(9c > 0)(8x, y 2 R
0
)
kx yk < c )

f(x) f(y)

< -
As, escojamos m
0
2 N tal que V (R)/m
0
- y diam(P) < c, para cualquier P 2 P
m
(R
0
). Entonces, se cumple que
(8m m
0
)

P2Pm(R)
P\grafo(g)6=?
V (P) =
V (R)
m
N

{P 2 P
m
(R) : P \ grafo(g) 6= ?}

V (R)
m
N
m
N1
(
-
(b a)/m
+ 1)
= -V (R
0
) +
V (R)
m
-(V (R
0
) + 1)

Proposicin 3.14. Sea R


0
R
N1
rectngulo, R = R
0
[a, b] R
n
rectngulo, f : R ! R acotada en R y
continua en R !grafo(g), donde g : R
0
![a, b] es una funcin continua. Entonces f es integrable en R.
Corolario 3.2. Sea R
0
R
N1
rectngulo, R = R
0
[a, b] R
n
rectngulo, f : R ! R acotada en R y continua
en R !

n
i=1
grafo(g
i
), donde g
i
: R
0
![a, b] es continua. Entonces f es integrable en R.
3.2.5. Teorema de Fubini
Lema 3.4. Sea R R
n
rectngulo, f : R !R, m

2 N. Si f es integrable en R entonces

S2P
m
(R)
V (S) nf
x2S
f(x)
_
R
f

S2P
m
(R)
V (S) sup
x2S
f(x)
Demostracin. En efecto, es claro que 8x 2 R

S2P
m
(R)
1
S
(x) nf
x2S
f(x) f(x)

S2P
m
(R)
1
S
(x) sup
x2S
f(x).
Integrando se concluye la desigualdad buscada, notando que para S 2 P
m
(R) se tiene
_
R
1
S
=
_
S
1 = V (S)

82
3.2. Integral de Riemann en R
n
Teorema 3.2. (Teorema de Fubini en R
n
)
Sean M, N 2 N, A R
n
, B R
m
rectngulos, notemos R = AB R
n+m
rectngulo. Sea f : R !R.
1. Si f integrable en R y (8x 2 A)f(x, ) integrable en B, entonces
_
R
f =
_
A
_
B
f(x, y) dy

dx
2. Si f continua en R, entonces
_
R
f =
_
A
_
B
f(x, y) dy

dx =
_
B
_
A
f(x, y) dx

dy
Demostracin. La segunda parte es consecuencia directa de la primera, en virtud de la proposicin 3.3. Probemos
la primera parte.
Denamos la funcin I : A !R dada por I(x) =
_
B
f(x, y)dy. Luego basta probar que I es integrable en A y
_
A
I =
_
R
f
En efecto, sea - > 0 arbitrario. Por una parte, por denicin de integrabilidad, (9m
0
2 N)(8m m
0
)

_
R
f

Q2Pm(R)
f(c
Q
)V (Q)

< - (3.7)
para toda eleccin de los (c
Q
)
Q2Pm(R)
.
Por otra parte, sea m m
0
, (c
Q
A
)
Q
A
2Pm(a)
seleccin arbitraria. Notar que
P
m
(R) =
_
Q
A
Q
B
: Q
A
2 P
m
(a), Q
B
2 P
m
(B)
_
Consideremos la seleccin (c

Q
)
Q2Pm(R)
dada por (para Q
A
2 P
m
(a), Q
B
2 P
m
(B)) c

Q
A
Q
B
= (c
Q
A
, y

), con y

tal que f(c

Q
A
Q
B
) sup
y2Q
B
f(c
Q
A
, y) -. As, en virtud del lema 3.4 se tiene que

Q
A
2Pm(a)
I(c
Q
A
)V (Q
A
)

Q2Pm(R)
f(c

Q
)V (Q)

Q
A
2Pm(a)
Q
B
2Pm(B)
sup
y2Q
B
f(c
Q
A
, y)V (Q
A
)V (Q
B
)

Q
A
2Pm(a)
Q
B
2Pm(B)
f(c

Q
A
Q
B
)V (Q
A
)V (Q
B
)
=

Q
A
2Pm(a)
Q
B
2Pm(B)
_
sup
y2Q
B
f(c
Q
A
, y) f(c

Q
A
Q
B
)
_
V (Q
A
)V (Q
B
)
-V (R)
Combinando con (3.7) se obtiene:

Q
A
2Pm(a)
I(c
Q
A
)V (Q
A
)
_
R
f -
_
V (R) + 1
_
83
FCFM - Universidad de Chile
Escogiendo (c

Q
)
Q2Pm(R)
tal que f(c

Q
A
Q
B
) nf
y2Q
B
f(c
Q
A
, y) + -, un clculo anlogo permite obtener:
-
_
V (R) + 1
_

Q
A
2Pm(a)
I(c
Q
A
)V (Q
A
)
_
R
f
En conclusin,

Q
A
2Pm(a)
I(c
Q
A
)V (Q
A
)
_
R
f

-
_
V (R) + 1
_

Ejemplo 3.6. Calcular


_
B
f con B = [0, 1]
3
[0, 10] y f(x, y, z, t) = t(x
2
+y
2
+z
2
).
Solucin. En virtud del teorema de Fubini
_
B
f =
_
10
0
_
1
0
_
1
0
_
1
0
t(x
2
+y
2
+z
2
) dxdy dz dt
=
_
10
0
_
1
0
_
1
0
(t
x
3
3
+ty
2
x +tz
2
x)

1
x=0
dy dz dt
=
_
10
0
_
1
0
_
1
0
(
t
3
+ty
2
+tz
2
) dy dz dt
=
_
10
0
_
1
0
(
t
3
y +t
y
3
3
+tz
2
y)

1
y=0
dz dt
=
_
10
0
_
1
0
(
t
3
+
t
3
+tz
2
) dz dt
=
_
10
0
t dt
= 50.

3.2.6. Integral en R
n
sobre dominios generales
Denicin 3.15. Sea R R
n
rectngulo, A R, f : A !R. Denotemos f
0
: R !R a la funcin dada por, para
x 2 R:
f
0
(x) =
_
f(x) si x 2 A
0 si x / 2 A
Si f
0
es integrable sobre R entonces se dice que f es integrable sobre A y:
_
A
f =
_
R
f
0
Denicin 3.16. La funcin indicatriz de un conjunto A R
n
es anloga al caso de R
2
y se dene:
1
A
(x) =
_
1 si x 2 A
0 si x / 2 A
Denicin 3.17. Decimos que D R
3
es
1. Dominio de tipo 1 si y slo si alguna de las siguientes armaciones es cierta:
84
3.2. Integral de Riemann en R
n
a) 9a, b 2 R, 9c
1
, c
2
: [a, b] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: a x b,
c
1
(x) y c
2
(x),

1
(x, y) z
2
(x, y)}
donde D
0
= {(x, y) 2 R
2
: a x b, c
1
(x) y c
2
(x)}
b) 9c, d 2 R, 9
1
,
2
: [c, d] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: c y d,

1
(y) x
2
(y),

1
(x, y) z
2
(x, y)}
donde D
0
= {(x, y) 2 R
2
: c y d,
1
(y) x
2
(y)}.
2. Dominio de tipo 2 si y slo si alguna de las siguientes armaciones es cierta:
a) 9a, b 2 R, 9c
1
, c
2
: [a, b] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: a x b,
c
1
(x) z c
2
(x),

1
(x, z) y
2
(x, z)}
donde D
0
= {(x, z) 2 R
2
: a x b, c
1
(x) z c
2
(x)}.
b) 9c, d 2 R, 9
1
,
2
: [c, d] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: c y d,

1
(z) x
2
(z),

1
(x, z) y
2
(x, z)}
donde D
0
= {(x, z) 2 R
2
: c z d,
1
(y) x
2
(z)}.
3. Dominio de tipo 3 si y slo si alguna de las siguientes armaciones es cierta:
a) 9a, b 2 R, 9c
1
, c
2
: [a, b] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: a y b,
c
1
(y) z c
2
(y),

1
(y, z) x
2
(y, z)}
donde D
0
= {(y, z) 2 R
2
: a y b, c
1
(y) z c
2
(y)}.
b) 9c, d 2 R, 9
1
,
2
: [c, d] !R funciones continuas, 9
1
,
2
: D
0
!R funciones continuas tales que
D = {(x, y, z) 2 R
3
: c z d,

1
(z) y
2
(z),

1
(y, z) x
2
(y, z)}
donde D
0
= {(y, z) 2 R
2
: c z d,
1
(z) y
2
(z)}.
4. Dominio de tipo 4 si y slo si D es de tipo 1, 2 y 3.
5. Dominio elemental si y slo si D es de tipo 1, 2 3.
Si R R
n
es un rectngulo y D R es una regin elemental entonces f
0
(dada por la denicin 3.15) es continua
en R salvo sobre la unin nita de grafos de funciones. Luego
_
D
f existe.
85
FCFM - Universidad de Chile
Ejemplo 3.7. Sea W R
3
la regin comprendida entre los planos x = 0, y = 0, z = 2 y la supercie z = x
2
+y
2
.
Calcular
_
W
x.
Solucin. Cmo describir el conjunto W? Podemos describirlo como un dominio de tipo 1, es decir:
W = {(x, y, z) 2 R
3
: 0 x
p
2, 0 y
_
2 x
2
, x
2
+y
2
z 2}
Luego, gracias al teorema de Fubini (teorema 3.2) se tiene:
_
W
x =
_
p
2
0
_
p
2x
2
0
_
2
x
2
+y
2
xdz dy dx
=
_
p
2
0
_
p
2x
2
0
2x x(x
2
+y
2
) dy dx
=
_
p
2
0

2xy x
3
y x
y
3
3

p
2x
2
y=0
dx
=
_
p
2
0
x

2
_
2 x
2
x
2
_
2 x
2

1
3
(2 x
2
)
3/2

dx
=
_
p
2
0
x

2
3
(2 x
2
)
3/2

dx
y, haciendo el cambio de variable u = 2 x
2
:
=
_
2
0
2
3
1
2
u
3/2
du
=
1
3
2
5
u
5/2

2
0
=
2
15
2
5/2
=
8
p
2
15

3.3. Teorema del cambio de variable


Recordemos que en el caso de una variable se tiene que si o : [a, b] ! [c, d] es biyectiva (ms algunas hiptesis
adicionales) entonces
_
b
a
f(t) dt =
_
c
1
(d)
c
1
(c)
f(o(s))o
0
(s) ds
Equivalentemente podemos escribir:
_
c([a,b])
f(t) dt =
_
[a,b]
f(o(s)) |o
0
(s)| ds.
Nuestro propsito es extender esta frmula a varias variables. Vamos a comenzar con la transformacin ms simple,
la lineal. Sea T : D = [0, 1]
2
!D

= T(D), T(x, y) = A
_
x
y
_
con A 2 M
2,2
(R)
86
3.3. Teorema del cambio de variable
D
1
1
D

(b, d)
(a, c)
(a +b, c +d)
Figura 3.8.: Cambio de variable, caso de una transformacin lineal
Se tiene que V (D) = 1 y
V (D

) =

(b, d) (c, a)
p
a
2
+c
2
_
a
2
+c
2

= |ad bc|
= |det(A)|
As
V (D

) = V (D) |det|
Es fcil ver que una frmula anloga se cumple para cualquier rectngulo en R
n
. Ms an, para f : D

! R, de
acuerdo a la denicin de integral de Riemann es razonable escribir lo siguiente:
_
D

f lm
m

P2Pm(D)
f(T(c
P
))V (T(P)) (c
P
2 P)
lm
m

P2Pm(D)
f(T(c
P
))V (P) |det(A)|

_
D
f T |det(A)|
Para una transformacin ms general (no lineal), se puede pensar que la diferencial nos da una aproximacin
lineal de la transformacin en torno a un punto, luego es razonable pensar que el jacobiano de la transformacin
desempear el papel de la matriz A en la frmula ms general. En efecto, se tiene el siguiente teorema (para los
detalles, vase la seccin 6.2):
Teorema 3.3. (Teorema del cambio de variables)
Sea v-medible y f : U !V un difeomorsmo, U. Sea g : f() !R v-integrable. Entonces g f : !R es
v-integrable y
_
f()
g(x)dx =
_

g(f(y))| det Df(y)|dy


Demostracin. Por razones pedaggicas se har posteriormente (teorema 6.3).
Ejemplo 3.8. (integral en coordenadas polares)
Calcular _
C
log(x
2
+y
2
) dxdy
donde
C = {(x, y) : a
2
x
2
+y
2
b
2
, x 0, y 0}
87
FCFM - Universidad de Chile
Solucin. Vamos a considerar el cambio de variable
x = r cos()
y = r sen()
es decir, la transformacin T(r, ) = (r cos(), r sen()). Notar que:
D(r, ) =
_
cos() r sen()
sen() r cos()
_
y as:
det DT(r, ) = r
Denotemos
D = T
1
(C)
= {(r, ) 2 R
2
: a r b, 0 /2}
= [a, b] [0, /2]
Luego, en virtud del teorema del cambio de variable :
_
T(D)
log(x
2
+y
2
) dxdy =
_
D
log(r
2
)r dr d
y, con Fubini:
=
_
b
a
_
/2
0
log(r
2
)r dr d
=

2
1
2
_
b
2
a
2
log s ds
=

4
(b
2
log b
2
b
2
a
2
log a
2
+a
2
)

3.4. Aplicaciones
3.4.1. Centro de masa
Sea D R
2
una placa y : D !R la densidad (de masa). Entonces la masa total de la placa est dada por:
__
D

y las coordenadas ( x, y) del centro de masa de la placa estn dadas por:


x =
__
D
x(x, y) dy dx
M
y =
__
D
y(x, y) dy dx
M
El caso tridimensional es anlogo.
88
3.4. Aplicaciones
Ejemplo 3.9. Hallar el centro de masa de una lmina triangular con vrtices (0, 0), (1, 0) y (0, 2) si la funcin de
densidad es (x, y) = 1 + 3x +y.
Solucin. A partir de los vrtices la hipotenusa del trangulo queda descrita por la ecuacin y = 2 2x. Luego la
masa total corresponde a
M =
__
D
(x, y) =
_
1
0
_
22x
0
(1 + 3x +y)dydx =
_
1
0
_
y + 3xy +
y
2
2
_
y=22x
y=0
dx
= 4
_
1
0
(1 x
2
)dx = 4
_
x
x
3
3
_
1
0
=
8
3
Luego el centro de masa est dado por las ecuaciones
x =
1
M
__
D
x(x, y)dydx =
3
8
_
1
0
_
22x
0
(x + 3x
2
+xy)dydx
=
3
8
_
1
0
_
y + 3x
2
y +
xy
2
2
_
y=22x
y=0
dx =
3
2
_
1
0
(x x
3
)dx =
_
x
2
2

x
4
4
_
1
0
=
3
8
y =
1
M
__
D
y(x, y)dydx =
3
8
_
1
0
_
22x
0
(y + 3xy +y
2
)dydx
=
3
8
_
1
0
_
y
2
2
+
3xy
2
2
+
y
3
3
_
y=22x
y=0
dx =
1
4
_
1
0
(7 9x 3x
2
+ 5x
3
)dx
=
1
4
_
7x
9x
2
2
x
3
+
5x
4
4
_
1
0
=
11
16
por lo tanto, el centro de masa se ubica en las coordenadas ( x, y) = (
3
8
,
11
16
)
3.4.2. Momento de inercia
Sea W R
3
un slido de densidad : W !R. Entonces los momentos de inercia estn dados por:
I
x
=
___
W
(x, y, z)(y
2
+z
2
) dz dy dx
I
y
=
___
W
(x, y, z)(x
2
+z
2
) dz dy dx
I
z
=
___
W
(x, y, z)(x
2
+y
2
) dz dy dx
Ejemplo 3.10. Hallar el centro de masa de la regin W comprendida entre el plano xy y la semiesfera x
2
+y
2
+z
2
=
1, z 0, de densidad (x, y) = 1, 8(x, y) 2 W.
Solucin. En primer lugar, por simetra x = y = 0.
Para calcular z, vamos a hacer un cambio de variable a coordenadas esfricas:
x = r sen(c) cos()
y = r sen(c) sen()
z = r cos(c)
89
FCFM - Universidad de Chile
As _
W
z =
_
T
1
(W)
r cos(c) |det DT|
DT(r, c, ) =
_
_
sen(c) cos() r cos(c) cos() r sen(c) sen()
sen(c) sen() r cos(c) sen() r sen(c) cos()
cos(c) r sen(c) 0
_
_
det DT(r, c, ) = (1)
3+1
(r sen(c) sen())(r sen
2
(c) sen() r cos
2
(c) sen())
+ (1)
3+2
(r sen(c) cos())(r sen
2
(c) cos() r cos
2
(c) cos())
= r
2
sen(c) sen
2
() +r
2
sen(c) cos
2
()
= r
2
sen(c)
Combinando lo anterior:
_
W
z =
_
1
0
_
2
0
_
/4
0
(r cos(c))r
2
sen(c) dcd dr
=
r
4
4

1
0
2
_
/4
0
sen(c) cos(c) dc
=

2
sen
2
(c)
2

/4
0
=

8
Luego
z =

8
4
3

2
=
3
16

3.5. Comentarios acerca del captulo


3.5.1. Extensin de la integral de Riemann
Algunos de los problemas que presenta la integral de Riemann son que, para ciertas aplicaciones, no integra una
familia sucientemente amplia de funciones y que los teoremas de convergencia poseen hiptesis muy fuertes (con-
vergencia uniforme en el caso de la proposicin 3.13). Una construccin diferente, basada en la teora de la medida,
la constituye la integral de Lebesgue , que integra una familia mucho ms amplia de funciones y cuenta con un
teorema de convergencia basado en la convergencia puntual.
3.6. Ejercicios
Integral de Riemann
Ejercicio 1. Sea R R
N
rectngulo tal que V (R) > 0 y suponga que f : R ! R es continua en R. Suponga que
para toda funcin continua g : R !R se tiene
_
R
fg = 0
90
3.6. Ejercicios
Pruebe que f = 0 en R.
Ejercicio 2. Sea el rectngulo R = [0, 1]
2
R
2
y la funcin f : R !R dada por:
f(x, y) =
_
1 si x es irracional
4y
3
si x es racional
1. Muestre que
_
1
0
_
1
0
f(x, y) dy dx existe y vale 1.
2. Muestre que
_
R
f no existe.
Ejercicio 3. Considere el rectngulo D = [1, 1] [0, 2] y R
n
la particin uniforme con n
2
subrectangulos, es
decir, todos los rectangulos de R
n
tienen las mismas dimensiones. Dado esto, calcule las sumas superior e inferior
S(f, R
n
), I(f, R
n
) donde f(x, y) = e
x
y.
Ejercicio 4. Suponga que F R
N
para N 2 y que f : R !R es Riemann integrable en F. Muestre que f puede
ser no acotada en F.
Ejercicio 5. Pruebe que la integral de Riemann de una funcin en R
N
es nica.
Ejercicio 6. Justique cuales de las siguiente funciones son integrables en [0, 1] [0, 1]:
1. f(x, y) =
_
0 si (x, y) / 2 A
1 si (x, y) 2 A
, A = {(x, y) : y x
2
}
2. f(x, y) =
_
sen(xy)
xy
si x 6= y
1 si x = y
Ejercicio 7. Sea R = [0, 1] [0; 1] y f : R !R denida por
f =
_
0 si x y
2 si x > y
Demuestre que f es integrable y, usando sumas de Riemann, que
_
R
f = 1
Ejercicio 8. Demuestre que
x
_
0
dx
x
_
0
f(y)dy =
x
_
0
f(y)(x y)dy
Ejercicio 9. Considere la siguiente integral
2
_
5
p
25x
2
_
0
f(x, y)dydx +
0
_
2
p
25x
2
_
2
x
2
2
f(x, y)dydx +
4
_
0
p
25x
2
_
x
4
+2
f(x, y)dydx
Invierta el orden de integracin usando Fubini.
Cambio de variables
Ejercicio 10. Sea B
n
la bola unitaria en R
n
. Muestre que
V ol(B
4
) = 2
_
B3
_
1 (x
2
+y
2
+z
2
)dxdydz.
91
FCFM - Universidad de Chile
Tomando coordenadas esfricas muestre que el volumen de B
4
es igual a
2
_
/2
/2
_
2
0
_
1
0
r
2
sen(c)
_
1 r
2
drddc
y concluya que V ol(B
4
) =
2
/2. En general muestre que el volumen de la bola de radio r es r
4

2
/2.
Ejercicio 11. Sea f : R
n
! R
n
un difeomorsmo de clase C
1
(es decir, un homeomorsmo con f y f
1
de clase
C
1
), que satisface que f(B) B, donde B es la bola unitaria cerrada y |detf
0
(x)| < 1 para todo x 2 B. Demuestre
que para toda funcin continua g : B !R
n
se tiene que
lm
k!1
_
f
k
(B)
g(x)dx = 0
donde f
k
es f compuesta consigo misma k veces.
Ejercicio 12. Calcular
_
S
_
dxdy donde S es el dominio limitado por

x
2
a
2
+
y
2
b
2

2
=
x
2
h
2

y
2
k
2
Indicacin. Use x = arc cos(,) e y = sen(,).
Aplicaciones
Ejercicio 13. Calcule usando Fubini
_

2
0
_

p
y
sen x
2
x
2
3
_
y
2
dxdy
Ejercicio 14. Calcule el volumen del elipsoide dado por
E = {(x, y, z) 2 R
3
:
x
2
a
2
+
y
2
b
2
+
z
2
c
2
1}
Indicacin. Use coordenadas esfricas y cambio de variables.
Ejercicio 15. Calcule el volumen encerrado por el cono parablico x
2
+y
2
= z
2
y por la bola B(0, r) con r > 0.
Ejercicio 16. Evale la integral
__
4x
2
8x+y
2
0
_
4x
2
+y
2
dxdy
Ejercicio 17. Calcule
_
1
0
_
1
p
x
x
_
x
2
+y
2
dxdy
Ejercicio 18. Calcule el volumen del slido que est limitado por las supercies
z
_
x
2
+y
2
= 0 y 2z y 2 = 0
92
3.6. Ejercicios
Ejercicio 19. Hallar el volumen de la regin acotada por los paraboloides
z = x
2
+y
2
y z = 10 x
2
2y
2
Ejercicio 20. Sea f : R
2
!R denida por:
f(x, y) =
_
x
2
y
2
x
2
+y
2
si (x, y) 6= (0, 0)
0 si (x, y) = (0, 0)
Pruebe que
1
_
0
1
_
0
f(x, y)dxdy 6=
1
_
0
1
_
0
f(x, y)dydx
Qu puede decir de este resultado en base al teorema de Fubini?
Ejercicio 21. Sea S la regin del primer octante limitada por el plano x + 2y + z = 2 que se encuentra entre los
planos z = 0 y z = 1.
1. Escriba las integrales iteradas que permiten calcular el volumen de la regin.
2. Calcule el volumen que dene la integral.
Ejercicio 22. Encuentre el rea de la regin denida por la curva
f(x) = (sen(x) cos(x), cos
2
(x) + sen
2
(x))
en [0, ].
Ejercicio 23. Calcular
___
S

x
2
a
2
+
y
2
b
2
+
z
2
c
2

Donde S =
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1
Ejercicio 24. Calcular
___
S
exp (11x
2
+ 9y
2
+ 15z
2
4xy 20xz + 10yz)
2
dxdydz
Donde S = 11x
2
+ 9y
2
+ 15z
2
4xy 20xz + 10yz 100
Ejercicio 25. Calcular
___
S
exp (11x
2
+ 9y
2
+ 15z
2
4xy 20xz + 10yz)
_
11x
2
+ 9y
2
+ 15z
2
4xy 20xz + 10yz
dxdydz
Donde S = 11x
2
+ 9y
2
+ 15z
2
4xy 20xz + 10yz 80
Ejercicio 26. Se dene la masa total de un solido, con densidad `(x, y, z), como:
M =
___
V
`(x, y, z)dxdydz
93
FCFM - Universidad de Chile
Adems se denen las siguientes expresiones:
M
x
=
___
V
x`(x, y, z)dxdydz
M
y
=
___
V
y`(x, y, z)dxdydz
M
z
=
___
V
z`(x, y, z)dxdydz
El centro de masas corresponde a:
C
m
=
1
M
(M
x
, M
y
, M
z
)
Dado lo anterior, se pide que:
1. Considerando la funcin de densidad `(x, y, z) =
_
x
2
+y
2
x
2
+y
2
+z
2
, calcule la masa total del cuerpo denido por
V = {(x, y, z) 2 R
3
: x
2
+y
2
+z
2
4, z 0}
2. Calcule el centro de masas para este mismo cuerpo de la parte 1.
Ejercicio 27. Calcular el volumen en R
5
de
F = {(x
1
, x
2
, x
3
, x
4
, x
5
) : x
2
1
+x
2
2
+x
2
3
1, x
2
4
+x
2
5
1}
Ejercicio 28. Sea f : A R
3
!R integrable y considere la integral
1
_
1
x
2
_
0
y
_
0
f(x, y, z)dxdydz
Escriba la integral recin descrita en trminos de integrales triples iteradas de la forma
___
f(x, y, z)dxdzdy
___
f(x, y, z)dydzdx
Ejercicio 29. Calcule
__
S
x
2
ydxdz +x
2
zdxdy +x
3
dydz
Donde S es la regin que describe el volumen del cilindro x
2
+y
2
= a
2
entre y los planos z = 0 y z = 2.
Ejercicio 30. Describa el volumen del slido M acotado por los paraboloides z = x
2
+ y
2
y z = 5(x
2
+ y
2
) y los
planos de ecuaciones z = 1 y z = 5. Calcule el volumen.
Ejercicio 31. Calcular
__
S
3

x
2
9
+
y
2
16
+
z
2
25

dxdydz
donde S =
x
2
9
+
y
2
16
+
z
2
25
4.
94
3.6. Ejercicios
Ejercicio 32. Calcule el volumen de la regin encerrada dentro de la esfera x
2
+ y
2
+ z
2
= 5 y el cilindro
(x 1)
2
+y
2
= 1.
Ejercicio 33. Calcular
__
S
(1 +xy)dxdy
donde S = S
1
[ S
2
denidos por
S
1
=
_
1 x 0
0 y (x + 1)
2
S
2
=
_
0 x 1
0 y (x 1)
2
95
CAPTULO 4
Topologa Bsica
La idea de este captulo es formalizar conceptos abstractos que son de alta importancia en los temas que siguen.
No es posible entender a cabalidad los temas que vienen a continuacin en este apunte sin tener claro lo ms bsico
de topologa, por esto es que preferimos destinar espacio a estos conceptos.
4.1. Normas y espacios normados
Denicin 4.1. Sea E un espacio vectorial. Una norma en E es una funcin que satisface las siguientes propiedades:
k k : E !R
+
[ {0}
1. Positividad: kxk = 0 ,x = 0
2. Linealidad: k`xk = |`|kxk 8` 2 R, 8x 2 E
3. Desigualdad triangular: kx +yk kxk +kyk 8x, y 2 E
Al par ordenado (E, k k) se lo conoce como espacio vectorial normado.
Ejemplo 4.1. En R
n
podemos denir muchas normas:
1. Norma 1: kxk
1
= |x
1
| +. . . + |x
n
|
2. Norma 2 o euclideana: kxk
2
=
_
x
2
1
+. . . +x
2
n
3. Norma innito o uniforme: kxk
1
= max
i=1,2,...,n
|x
i
|
4. Norma : kxk

=

_
|x
1
|

+. . . + |x
n
|

para 1 < 1
De forma que (R
n
, k k) con cualquiera de las normas denidas tiene estructura de espacio vectorial normado.
Demostrar que k k
2
, k k
1
y k k
1
satisfacen efectivamente las propiedades de una norma es tarea sencilla. Un poco
ms difcil es demostrar que k k
p
con 1 < p < 1 es tambin una norma.
Las normas mencionadas son casos particulares de kxk

. Las normas 1, 2 e innito se obtienen cuando toma los


valores 1, 2 y tendiendo a innito respectivamente.
Ejemplo 4.2. Para jar ideas, en R
2
el dibujo de kxk

= 1 con igual a 1/2, 1, 2 y tendiendo a innito nos queda


de la siguiente forma
97
FCFM - Universidad de Chile
x
2
x
1
1
2
1
1
2
1 1
1
1
Figura 4.1.: Normas en R
2
Decimos kxk

es norma cuando 1 pues en caso de que < 1 no se cumple la desigualdad triangular.


Sean x = (1, 0) e y = (0, 1). Si p = 1/2 tenemos que
kxk

= (|0|
1/2
+ |1|
1/2
)
2
= 1
kyk

= (|1|
1/2
+ |0|
1/2
)
2
= 1
de lo cual se obtiene kxk

+kyk

= 2 mientras que kx +yk

= 4.
Lema 4.1. Sean a, b 0, sea ` 2 (0, 1), entonces
a
X
b
1X
`a + (1 `)b
Demostracin. Si b = 0 es directo. En el caso b 6= 0 se tiene

a
b

X
`
a
b
+ 1 `
Sea t =
a
b
, t 0 y f(t) = 1 ` + `t t
X
. Hay que demostrar que f(t) 0.
f
0
(t) = `(1 t
X1
)
Si t < 1, como ` 1 < 0 ) f
0
(t) < 0 )f(t) > f(1) = 0. Si t > 1, como ` 1 < 0 ) f
0
(t) > 0 )f(t) > f(1) = 0.
Entonces f(t) 0.
En el lema anterior si tomamos a = x
p
, b = y
q
, ` =
1
p
y 1 ` =
1
q
se tiene el siguiente resultado.
Lema 4.2. Sean , o > 1 tales que
1
p
+
1
q
= 1. Entonces,
xy
x
p
p
+
y
q
q
(4.1)
Teorema 4.1. k k

es una norma.
Demostracin. Debemos demostrar las tres propiedades que aparecen en la denicin 4.1.
98
4.1. Normas y espacios normados
Positividad: kxk

0 8x 2 R
n
Primero veamos qu pasa con kxk

0
|x
i
| 0 8x
i
2 R )kxk

=
_
n

i=1
|x
i
|

_
1/
0
luego debe cumplirse que kxk

= 0 ,x = 0, entonces si x = 0
|x
i
| = 0 8x
i
2 R )kxk

=
_
n

i=1
|x
i
|

_
1/
= 0
La otra implicancia es como sigue, si kxk

= 0
_
n

i=1
|x
i
|

_
1/
= (|x
1
|

+. . . + |x
n
|

)
1/
= 0
luego |x
i
| 2 R
+
y, por denicin, |x
i
| 0 adems de que la suma de elementos no negativos es nula slo si todos
los elementos son nulos
_
n

i=1
|x
i
|

_
1/
= (|x
1
|

+. . . + |x
n
|

)
1/
= 0 )x = 0
Linealidad: k`xk

= |`|kxk

8x 2 R
n
, ` 2 R
k`xk

=
_
n

i=1
|`x
i
|

_
1/
=
_
|`|

i=1
|x
i
|

_
1/
= |`|kxk

Desigualdad triangular: kx +yk

kxk

+kyk

8x, y 2 R
n
_
n

i=1
|x
i
+y
i
|

_
1/

_
n

i=1
|x
i
|

_
1/
+
_
n

i=1
|y
i
|

_
1/
Sea = 1
n

i=1
|x
i
+y
i
|
n

i=1
(|x
i
| + |y
i
|)
Sean > 1 y x, y 2 R
n
. Si tomamos un real x 0 entonces x 2 R
+
y se tiene que x = |x|. Usando esta propiedad,
reescribiremos (4.1). Escojamos a =
|xi|
(
P
n
j=1
|xj|

)
1/
y b =
|yi|
(
P
n
j=1
|yj|

)
1/
, entonces la desigualdad nos queda
|x
i
|
(

n
j=1
|x
j
|

)
1/

|y
i
|
(

n
j=1
|y
j
|
c
)
1/c

1


_
|x
i
|
(

n
j=1
|x
j
|

)
1/
_

+
1
o

_
|y
i
|
(

n
j=1
|y
j
|
c
)
1/c
_
c
|x
i
y
i
|
(

n
j=1
|x
j
|

)
1/
(

n
j=1
|y
j
|
c
)
1/c

1


|x
i
|

n
j=1
|x
j
|

+
1
o

|y
i
|
c

n
j=1
|y
j
|
c
99
FCFM - Universidad de Chile
Aplicando

n
i=1
() a la ltima desigualdad obtenemos

n
i=1
|x
i
y
i
|
(

n
j=1
|x
j
|

)
1/
(

n
j=1
|y
j
|
c
)
1/c

+
1
o
= 1

i=1
|x
i
y
i
|
_
_
n

j=1
|x
j
|

_
_
1/

_
_
n

j=1
|y
j
|
c
_
_
1/c
(4.2)
Como |x
i
+y
i
| |x
i
| + |y
i
|
|x
i
+y
i
|

= |x
i
+y
i
|
1
|x
i
+y
i
|
|x
i
+y
i
|

|x
i
+y
i
|
1
(|x
i
| + |y
i
|)
Aplicando

n
i=1
() a la ltima desigualdad obtenemos
n

i=1
|x
i
+y
i
|

i=1
|x
i
+y
i
|
1
(|x
i
| + |y
i
|)
n

i=1
|x
i
+y
i
|

i=1
|x
i
+y
i
|
1
|x
i
| +
n

i=1
|x
i
+y
i
|
1
|y
i
| (4.3)
Combinando esto ltimo con la ecuacin (4.2) y como o( 1) = se tiene
n

i=1
|x
i
+y
i
|

_
_
_
n

i=1
|x
i
|

_1

+
_
n

i=1
|y
i
|

_1

_
_
_
n

i=1
|x
i
+y
i
|
c(1)
_1

i=1
|x
i
+y
i
|

_
_
_
n

i=1
|x
i
|

_1

+
_
n

i=1
|y
i
|

_1

_
_
_
n

i=1
|x
i
+y
i
|

_1

_
n

i=1
|x
i
+y
i
|

_
1
1

_
n

i=1
|x
i
|

_
1/
+
_
n

i=1
|y
i
|

_
1/
_
n

i=1
|x
i
+y
i
|

_
1/

_
n

i=1
|x
i
|

_
1/
+
_
n

i=1
|y
i
|

_
1/

Ejemplo 4.3. Si E = {f : [a, b] !R : f es continua } = C[a, b] entonces denimos


k k
1
: E !R [ {0}
kfk
1
= sup
x2[a,b]
|f(x)|
Ejemplo 4.4. En P = {polinomios de R} denimos
kpk = |p(1)| + |p(0)| + |p(1)|
lo anterior no es una norma pues no satisface la condicin 1 de norma. En los polinomios de grado dos si es norma.
En un espacio vectorial E podemos considerar diferentes normas.
Teorema 4.2. (Equivalencia de normas)
Dos normas k k
1
y k k
2
en E se dicen equivalentes si existen constantes c
1
y c
2
no negativas tales que:
c
1
kxk
1
kxk
2
c
2
kxk
1
8x 2 E
100
4.1. Normas y espacios normados
Demostracin. Supongamos que k k
1
y k k
2
en E son equivalentes.
Tomemos el lado izquierdo de la desigualdad y supongamos que no existe c
1
2 R
+
que cumpla c
1
kxk
1
kxk
2
.
Entonces
nf
x2E\{0}
kxk
2
kxk
1
= 0
Escojamos {x
n
}
n2N
en E tal que {x
n
} !0, entonces
kx
n
k
2
kx
n
k
1
!0
Consideremos que kx
n
k
1
, kx
n
k
2
2 R
+
por lo que esto ltimo lo podemos reescribir como
_
_
_
_
x
n
kxk
1
_
_
_
_
2
!0
Denamos y
n
=
xn
kxk1
, entonces ky
n
k
1
= 1 e ky
n
k
2
!0 lo que signica que las normas no pueden ser equivalentes.
Tomemos el lado derecho de la desigualdad y supongamos que no existe c
2
2 R
+
que cumpla kxk
2
c
2
kxk
1
.
Entonces
nf
x2E\{0}
kxk
1
kxk
2
= 0
Escojamos {x
n
}
n2N
en E tal que {x
n
} !0, entonces
kx
n
k
1
kx
n
k
2
!0
Consideremos que kx
n
k
1
, kx
n
k
2
2 R
+
por lo que esto ltimo lo podemos reescribir como
_
_
_
_
x
n
kxk
2
_
_
_
_
1
!0
Denamos y
n
=
xn
kxk2
, entonces ky
n
k
1
!0 y ky
n
k
2
= 1 lo que signica que las normas no pueden ser equivalentes.

Cuando a la estructura de espacio vectorial se le agrega una norma, se le dota de propiedades topolgicas. Veremos
ms adelante que si k k
1
y k k
2
son normas equivalentes en E entonces (E, k k
1
) y (E, k k
2
) tienen las mismas
propiedades topolgicas.
Denicin 4.2. Dados dos puntos x, y 2 E denimos la distancia entre x e y por:
d(x, y) = kx yk
Observamos que la nocin de distancia entre dos puntos depende de la norma considerada.
Ejemplo 4.5. En M
nm
(R) denimos dos normas
kAk
1
= max
i,j
|a
ij
|
kAk
1
=

j
|a
ij
|
Si A =

2 3
4 5

y B =

6 7
8 9

kABk
1
=
_
_
_
_

4 4
4 4
_
_
_
_
1
= 4 , kABk
1
=
_
_
_
_

4 4
4 4
_
_
_
_
1
= 16
101
FCFM - Universidad de Chile
4.2. Sucesiones
En el estudio de la topologa de un espacio normado, un rol muy importante es jugado por las sucesiones. Como en
el caso de R uno puede denir sucesiones de vectores en R
n
.
Denicin 4.3. (Sucesin)
Una sucesin en el espacio vectorial E es una funcin
N ! E
n 7! x
n
y se anota usualmente como {x
n
}
n2N
. Una sucesin {x
n
}
n2N
converge a x si
8- > 0, 9n 2 N tal que kx
n
xk < -, 8n N
Si una sucesin converge a un vector x diremos que este es el lmite de la sucesin y se denota
lm
n
x
n
= x
Proposicin 4.1. El lmite de una sucesin, cuando existe, es nico.
Demostracin. Supongamos que lmx
n
= x
1
y lmx
n
= x
2
. Tendremos que para todo - > 0 existen enteros n
1
y
n
2
tales que kx
n
xk -/2 para todo n n
1
y kx
n
xk -/2 para todo n n
2
. Sea m = max{n
1
, n
2
} tenemos
que
kx
1
x
2
k kx
1
x
m
k +kx
m
x
2
k
-
2
+
-
2
= -
y esta desigualdad es vlida para todo - > 0, por lo tanto kx
1
x
2
k = 0 y por las propiedades de la norma
concluimos que x
1
= x
2
.
Nota 4.1. En adelante escribiremos x
n
!x en lugar de lm
n
x
n
= x para referirnos al lmite de una sucesin.
4.2.1. Sucesiones de Cauchy
Denicin 4.4. (Sucesin de Cauchy)
Una sucesin {x
n
}
n2N
se dice de Cauchy si 8- > 0 existe n 2 N tal que
kx
n
x
m
k < - 8n, m N
Nota 4.2. Las nociones de sucesiones convergentes y sucesiones de Cauchy no cambian segn la norma por la
equivalencia de estas.
Proposicin 4.2. Toda sucesin convergente es sucesin de Cauchy.
Demostracin. Supongamos que {x
n
}
n2N
converge a x. Dado - > 0 existir n
0
2 N tal que kx
n
xk -/2 para
cualquier n n
0
. Entonces
kx
n
x
m
k kx
n
xk +kx x
m
k
-
2
+
-
2
= - 8n, m n
0
lo cual concluye la demostracin.
Nota 4.3. En general no toda sucesin de Cauchy es convergente por lo que la recproca de la proposicin es falsa.
102
4.3. Espacios de Banach
Ejemplo 4.6. En Q
2
usamos la norma euclideana. La sucesin denida por
x
k
=
_

1 +
1
k

k
,
1
k
_
es de Cauchy pero no converge en Q
2
.
Ejemplo 4.7. En C[1, 1] dotado de la norma
kfk
1
=
_
1
1
|f(x)|dx
consideramos la sucesin
f
n
(x) =
_
1 (1 x)
n
si x > 0
1 + (1 +x)
n
si x 0
Supongamos sin perdida de generalidad que n m
kf
n
f
m
k
1
=
_
1
0
|(1 x)
n
(1 x)
m
|dx +
_
0
1
|(1 +x)
n
(1 +x)
m
|dx
=
_
1
0
(1 x)
m
|(1 x)
nm
1|dx +
_
0
1
(1 +x)
m
|(1 +x)
nm
1|

_
1
0
(1 +x)
m
dx +
_
0
1
(1 +x)
m
dx
2
m+ 1
es decir,
kf
n
f
m
k
1

2
mn{n, m} + 1
por lo tanto {f
n
} es de Cauchy. Pero {f
n
} no tiene limite en C([1, 1]) En efecto, supongamos que existe la funcin
lmite que llamaremos f. Entonces
kf
n
fk
1
n!1
! 0
Como
_
1
a
|f
n
f|dx
_
1
1
|f
n
f|dx
entonces
_
1
a
|f
n
f|dx
n!1
! 0 8a 2 [1, 1]
tomemos a 2 (0, 1]. Como en [a, 1], f
n
converge uniformemente a 1, entonces
_
1
a
|1 f|dx = 0 )f = 1 en [a, 1] 8a 2 (0, 1]
por lo tanto f(x) = 18x 2 (0, 1]. Anlogamente f(x) = 18a 2 [1, 0). Concluimos as que f no puede ser continua.
4.3. Espacios de Banach
Denicin 4.5. (Espacio de Banach)
Un espacio vectorial normado E se dice espacio de Banach si toda sucesin de Cauchy en E converge en E, es decir
{x
n
}
n2N
E, es de Cauchy )9 x 2 E tal que x
n
n!1
! x
en este caso E tambin recibe el nombre de espacio vectorial completo.
103
FCFM - Universidad de Chile
Nota 4.4. La gran mayora de los modelos que se utilizan en modelos matemticos de la ingeniera se construyen
sobre espacios de Banach.
Ejemplo 4.8. (R, | |). En R toda sucesin de Cauchy es convergente. Esto es una consecuencia del axioma del
supremo.
Ejemplo 4.9. (R
n
, k k
2
) es un espacio de Banach. En efecto, si {x
k
}
k2N
R
n
es una sucesin de Cauchy, entonces
8 - > 0 9N 2 N tal que kx
k
x
m
k
2
< - 8k, l > N
lo que implica que
|x
i
k
x
i
m
| < - 8k, m > N 8i 2 {1, . . . , n}
donde x
i
k
es la i-sima componente de x
k
. Por lo tanto la sucesin {x
i
k
}
k2N
es de Cauchy en R y en consecuencia
converge. Denotemos por x
i
su lmite. Tenemos asi que dado - > 0 existe N
i
que satisface
|x
i
k
x
i
| <
-
p
n
8k > N
i
escogiendo N = max{N
i
: i = 1, . . . , n} y llamando x al vector (x
1
, . . . , x
n
) tenemos nalmente que
kx
k
xk
2
=

_
n

i=1
|x
i
k
x
i
|
2
< - 8k > N
es decir la sucesin x
k
converge a x en R
n
Nota 4.5. Es fcil ver que
x
k
!x en (R
n
, k k
2
) ,x
i
k
!x
i
8i 2 {1, .., n}
Ejemplo 4.10. (M
nm
(R), k k
1
) es completo. Sea {A
k
}
k2N
una sucesin de Cauchy. Entonces 8- > 0 9N 2 N
tal que
kA
k
A
m
k
1
< - 8k, m > N
es decir,
max
1in
1jm
|a
k
ij
a
m
ij
| < -
en consecuencia cada una de las sucesiones {a
k
ij
}
k2N
son de Cauchy en R. Cada una de ellas converge entonces a
un lmite que denotamos a
ij
. De esta manera, dado - > 0 9N
ij
> 0 tal que
|a
k
ij
a
ij
| < - 8k > N
ij
escogiendo N = max{N
ij
tal que i = 1, . . . , n, j = 1, . . . , m}, obtenemos
max
1in
1jm
|a
k
ij
a
ij
| < - 8k > N
o sea, si A = (a
ij
)
kA
k
Ak
1
< - 8k > n
por lo tanto A
k
!A. El espacio de matrices de dimensin n m con la norma k k
1
es un espacio de Banach.
Ejemplo 4.11. (C([a, b], R), k k
1
) es un espacio de Banach. Sea {f
n
}
n2N
una sucesin de Cauchy. Dado - >
0, 9N 2 N tal que
kf
k
f
m
k
1
= sup
x2[a,b]
|f
k
(x) f
m
(x)| < - 8k, m > N
104
4.3. Espacios de Banach
en particular, para cualquier x 2 [a, b] se tendr que
|f
k
(x) f
m
(x)| < - 8k, m > N
es decir, 8x 2 [a, b] la sucesin {f
n
(x)}
n2N
es de Cauchy en R, y por lo tanto converge a un lmite que llamaremos
f(x)
lm
k!1
f
k
(x) = f(x)
De esta manera, hemos denido una funcin f : [a, b] !R. Probaremos que esta funcin es el lmite de la sucesin
{f
n
} en C([a, b], R).
Tenamos que dado - > 0, 9N > 0 tal que
|f
k
(x) f
m
(x)| < - 8k, m > N 8x 2 [a, b]
lo que implica que
|f
k
(x) f(x)| < - 8k > N 8x 2 [a, b]
y entonces
kf
k
fk
1
< - 8k > N.
Con esto hemos probado que
f
n
kk1
! f
es decir, f es el lmite uniforme de las funciones continuas f
n
. Para concluir la demostracin de que (C([a, b], R), kk
1
)
es Banach debemos probar que f es continua.
Proposicin 4.3. El lmite uniforme de funciones continuas de la forma f : [a, b] !R es una funcin continua.
Demostracin. Sea {f
n
}
n2N
una sucesin de funciones continuas en [a, b] que converge uniformemente a una funcin
f. Sea x
0
2 [a, b] y - > 0, entonces existe N tal que
kf
k
fk
1
<
-
3
8k N
en particular tendremos que
|f
N
(x) f(x)| <
-
3
8x 2 [a, b]
pero f
N
es una funcin continua y por lo tanto 9c > 0 tal que si |x x
0
| < c entonces
|f
N
(x) f
N
(x
0
)| <
-
3
Con todo esto obtenemos que si |x x
0
| < c
|f(x) f(x
0
)| |f(x) f
N
(x)| + |f
N
(x) f
N
(x
0
)| + |f
N
(x
0
) f(x
0
)|

-
3
+
-
3
+
-
3
= -
Es decir, f es una funcin continua.
Con esto concluimos que (C([a, b], R), k k
1
) es un Espacio de Banach.
105
FCFM - Universidad de Chile
4.4. Subsucesiones
Denicin 4.6. (Subsucesin)
Sea {x
n
}
n2N
una sucesin en un espacio normado (E, k k). Consideremos una funcin f : N ! N estrictamente
creciente, es decir, n < m ) f(n) < f(m). Entonces, la nueva sucesin {x
f(k)
}
k2N
se llama subsucesin de {x
n
}.
A menudo se anota n
k
= f(k) y as la subsucesin se anota como {x
n
k
}
k2N
.
Ejemplo 4.12. Las sucesiones siguientes
_

1
2

2n
_
n2N
,
_

1
2

2n+1
_
n2N
y
_

1
2

8n+7
_
n2N
,
son subsucesiones de {(
1
2
)
n
}
n2N
Ejemplo 4.13. La sucesin {x
n
} R
2
denida por
x
n
=

(1)
n
,

1 +
1
n

no converge. Sin embargo la subsucesin {x


2n
}
n2N
si converge y lo hace a (1, e) 2 R
2
. La subsucesin {x
2n+1
}
n2N
tambin converge, pero a (1, e) 2 R
2
. Por otra parte la subsucesin {x
3n
}
n2N
no converge (ntese como cambia
el signo de (1)
kn
) para los valores k = 1, 2, 3).
Ejemplo 4.14. La sucesin x
n
= (2
n
,
1
n
,
n
n+1
) 2 R
3
no converge. En este caso {x
n
}
n2N
no tiene subsucesiones
convergentes.
Ejemplo 4.15. En el espacio de Banach (C([0, 1], R), kk
1
) consideremos la siguiente sucesin:
f
n
(x) =
_

_
0 , 0 x
1
n+1
1 + (n + 1)(nx 1) ,
1
n+1
x
1
n
1 (n 1)(nx 1) ,
1
n
x
1
n1
0 ,
1
n1
x 1
Para esta sucesin se cumple que:
kf
n
k
1
= 1 8n 2 N
kf
n
f
n+1
k
1
= 1 8n 2 N
kf
n
f
k
k
1
= 1 8n 6= k
Entonces {f
n
} no converge y ninguna subsucesin puede hacerlo, pues no son de Cauchy.
Esto muestra que en (C([0, 1], R), kk
1
) hay sucesiones acotadas que no tienen subsucesiones convergentes. En
particular mostramos que B = B(0, 1), la bola unitaria cerrada, no es compacta.
Teorema 4.3. Sea {x
n
}
n2N
una sucesin en un espacio normado. Entonces {x
n
}
n2N
converge a x si y slo si toda
subsucesin {x
n
k
}
n2N
de {x
n
}
n2N
converge a x
Demostracin. linea en blanco
((): Directo pues {x
n
}
n2N
es una subsucesin {x
n
}
n2N
.
()): {x
n
}
n2N
converge a x, entonces 8- > 0 9N 2 N tal que
kx
n
xk < - 8n N
Sea {x
n
k
}
n2N
una subsucesin de {x
n
}
n2N
entonces 9k 2 N tal que n
1
< n
2
< . . . < n
k
< n
k+1
< n
k+2
< . . . .
Entonces
kx
n
k
xk < - 8k K
106
4.5. Conjuntos abiertos y cerrados
Por lo tanto {x
n
k
}
n2N
converge a x.
El siguiente es un teorema fundamental en la topologa de R
n
, de hecho es una extensin del teorema A.1.
Teorema 4.4. (Teorema de Bolzano-Weierstrass en R
n
)
Toda sucesin acotada en R
n
tiene a lo menos una subsucesin convergente.
Demostracin. Sea {x
n
} una sucesin acotada en R
n
. Para cada componente de la sucesin se tiene {x
i
n
}
i2N
que
corresponde a una sucesin acotada de nmeros reales. De acuerdo al teorema A.1, {x
i
n
}
i2N
tiene a lo menos una
subsucesin convergente {x
i
;(n)
}
i2N
. Esto es, si {x
i
n
} !a
i
2 R entonces {x
i
;(n)
} !b
i
2 R.
Sea A
1
N y a
i
1
2 A, entonces lm
n2A1
{x
1
n
} = a
i
1
. Sea A
2
A
1
, entonces lm
n2A2
{x
2
n
} = a
i
2
. Podemos construir la
inclusin A
n
A
n1
tal que A
n
N y lm
n2Aj
{x
i
n
} = a
i
j
para j 2 {1, . . . , n}. Deniendo a = (a
1
, . . . , a
n
) se tiene
que lm
n2An
{x
n
} = a, lo que concluye la demostracin.
4.5. Conjuntos abiertos y cerrados
El conjunto bsico con el cual denimos la topologa de un espacio normado es
B(x
0
, -) = {x 2 E : kx x
0
k < -}
que recibe el nombre de bola abierta de radio - y centro x
0
.
Denicin 4.7. Un punto x 2 E es interior a C si existe - > 0 tal que B(x, -) C. y un conjunto A E se dice
abierto si:
8x 2 A, 9- > 0 tal que B(x, -) A
Proposicin 4.4. Un conjunto es abierto , todos sus puntos son interiores.
Proposicin 4.5. (Propiedades de los abiertos)
1. Si A
1
, A
2
, . . . , A
n
son abiertos entonces

n
i=1
A
i
es abierto.
2. Si {A
i
}
i2I
es una familia de abiertos entonces

i2I
A
i
es abierto.
3. E es abierto, ? es abierto.
Sea = {A E : A es abierto}, se conoce como topologa en E gracias a que satisface las propiedades 1,2 y 3 de
los abiertos.
Denicin 4.8. Sea A E. Un punto x 2 E se dice punto de acumulacin de A si
8- > 0 A\ (B(x, -)\{x}) 6= ?
Nota 4.6. Para ser punto de acumulacin de A no es necesario pertenecer a A. Por otra parte, no es suciente
estar en A para ser de acumulacin.
Ejemplo 4.16. linea en blanco
1. Sea A = (0, 1). Entonces x = 0 es punto de acumulacin de A.
2. Sea A = (0, 1) [ {3}. Luego x = 3 2 A, pero x no es punto de acumulacin.
Denicin 4.9. A E es cerrado si A contiene a todos sus puntos de acumulacin.
Proposicin 4.6. A R
n
es cerrado si y slo si:
Para toda sucesin {x
k
}
k2N
A : ( (x
k
!x) )x 2 A)
107
FCFM - Universidad de Chile
Demostracin. linea en blanco
()): Supongamos que A es cerrado. Sea {x
k
}
k2N
A una sucesin cualquiera tal que lm
x
k
!x
x
k
= x. Queremos
demostrar que x 2 A. Supongamos que no, es decir, que x 2 A
C
. Como A es cerrado, existe - > 0 tal que
B(x, -) A
C
. Por otra parte, de la denicin de lmite, existe k
0
2 N tal que x
k
2 B(x, -) para todo k k
0
, lo
que es imposible pues x
k
2 A.
((): Para demostrar la recproca probemos la contrarrecproca. Es decir, si A no es cerrado entonces existe una
sucesin {x
k
}
k2N
A que converge a x y x 62 A.
Como A no es cerrado, A
C
no es abierto, entonces existe un punto x 2 A
C
tal que
Para todo - > 0 se tiene B(x, -) \ A 6= ?
Esta proposicin nos permite construir una sucesin {x
k
} A de la siguiente manera: para cada k 2 N tomamos
- =
1
k
entonces, como B(x, 1/k) \ A 6= ?, podemos elegir x
k
2 B(x,
1
k
) y x
k
2 A. Por denicin esta sucesin
converge a x, concluyendo la demostracin pues x 62 A.
Teorema 4.5. A E es cerrado ,A
C
es abierto.
Demostracin. linea en blanco
()): Supongamos que A es cerrado. Sea x 2 A
C
, entonces x no es punto de acumulacin de A, por lo tanto existe
- > 0 tal que
A\ (B(x, -)\{x}) = ?
pero esto es equivalente a B(x, -)\{x} A
C
y como adems x 2 A
C
, tenemos que B(x, -) A
C
, y por lo tanto
A
C
es abierto.
((): Supongamos ahora que A
C
es abierto. Sea x 2 E punto de acumulacin de A. Debemos demostrar que x 2 A.
Por contradiccin, si x 2 A
C
, como es abierto,9- > 0 talque
B(x, -) A )B(x, -) \ A = ? )B(x, -)\{x} \ A = ? )(
tenemos una contradiccin, pues x es punto de acumulacin de A. Por lo tanto x 2 A.
Teorema 4.6. Sean k k
1
y k k
2
dos normas equivalentes en el espacio E. A E es abierto en (E, k k
1
) ,A es
abierto en (E, k k
2
).
Demostracin.linea en blanco
()): Recordemos que existen constantes c
1
> 0, c
2
> 0 tales que
c
1
kxk
1
kxk
2
c
2
kxk
1
8x 2 E
Supongamos que A E es abierto en (E, k k
1
).Sea x 2 A, entonces existe - > 0 tal que
{y 2 E : kx yk
1
< -} A
pero entonces
{y 2 E : kx yk
2
< c
1
-} {y 2 E : kx yk
1
< -} A
o sea, encontramos -c
1
> 0 tal que
B
kk2
(x, -c
1
) A
As que todos los puntos de A son interiores con la norma k k
2
lo que implica que A es abierto en (E, k k
2
).
((): Tarea.
Nota 4.7. Todas las nociones que se denan a partir de los conjuntos abiertos de (E, k k) quedan inalteradas
cuando se cambia k k por una norma equivalente.
108
4.6. Conjuntos compactos
4.6. Conjuntos compactos
Motivacin: Podemos pensar en los conjuntos compactos como aquellos que tienen un radio nito o mejor dicho
cuyas dimensiones son acotadas. En diversos problemas de ingeniera es comn encontrarse con problemas de
maximizacin o minimizacin. Si maximizamos o minimizamos determinada funcin sobre un compacto gracias a
algunos teoremas, que veremos en el captulo siguiente, nos aseguramos de que la solucin existe.
Denicin 4.10. (Conjunto compacto)
En el caso de conjuntos de R
n
, como ya veremos a continuacin, podemos decir que C R
n
es compacto si es
cerrado y acotado a la vez.
De forma general un conjunto C R
n
es compacto si para toda familia de conjuntos abiertos {A
i
}
i2
tal que
C

i2
A
i
, existe un subconjunto nito

tal que C

i2
A
i
. Esto es, un conjunto C es compacto
cuando toda cobertura por abiertos de C tiene una subcobertura nita.
Ejemplo 4.17. Para jar ideas, consideremos los siguientes conjuntos:
1. (0, 1) en los reales no es compacto, ya que la cobertura por abiertos {(
1
n
, 1), n 2 N} no tiene una subcobertura
nita. Notemos que (0, 1) tiene una cobertura por abiertos denida por

i2
A
i
= (
1
2
, 1) [(
1
3
, 1) [. . . [(
1
n
, 1).
Sin embargo, no existe una subcobertura nita por abiertos que cubra completamente a (0, 1). Esto ltimo es
porque el nmo de cualquier subcobertura nita puede acercarse a cero pero, en la medida que la cantidad
de elementos de la subcobertura sea nita, el valor del nmo queda lejos de cero y entonces es posible
converger y acercarse lo suciente a cero en la medida que la cantidad de elementos de la subcobertura tienda
a innito.
2. [0, 1) en los reales no es compacto, ya que la cobertura por abiertos {(1, 1
1
n
), n 2 N} no tiene una
subcobertura nita. En este caso el extremo derecho no es cerrado por lo que se puede construir una sucesin
que converge a uno y este hecho impide que el conjunto tenga una cobertura nita.
3. [0, +1) en los reales no es compacto, ya que {(1, n), n 2 N} no tiene una subcobertura nita. En este caso
se puede construir una sucesin que no converge y tiende a innito lo cual impide que el conjunto tenga una
cobertura nita.
4. [0, 1] en los racionales no es compacto pero si lo es en los reales. En el caso de los racionales {[
1
n
, 1], n 2 Q}
no tiene una subcobertura nita.
Este caso debe ser analizado aparte, pues la cobertura abarca completamente el conjunto [0, 1] en los racionales
pero no tiene subcobertura nito alguno. Para el caso en que [0, 1] se dene en los reales se puede razonar por
contradiccin: Supongamos que [0, 1] tiene una cobertura por abiertos

i2
A
i
pero no existe un subcobertura
nita por abiertos

i2
A
i
de

i2
A
i
. Entonces [0,
1
2
] y [
1
2
, 0] no pueden ser cubiertos por

i2
A
i
. Digamos,
de manera arbitraria, que [a
1
, b
1
] es cualquiera de estos dos intervalos y entonces [a
1
,
1
2
(b
1
a
1
)] y [
1
2
(b
1
a
1
), b
1
]
tampoco pueden ser cubiertos por

i2
A
i
. Digamos que [a
2
, b
2
] es cualquiera de estos dos intervalos y as
mediante un razonamiento inductivo se pueden denir dos sucesiones {a
i
}
n
i=1
y {b
i
}
n
i=1
en [0, 1] tales que
a
n
a
n+1
< b
n+1
b
n
b
n
a
n
=
1
2
n
_
i2

A
i
[a
n
, b
n
]
Las primeras dos ecuaciones nos dicen que, intuitivamente, es posible encontrar un valor c 2 [0, 1] tal que
c =

1
i=1
[a
i
, b
i
] y la tercera ecuacin nos dice que [a
n
, b
n
] no puede ser cubierto por

i2
A
i
. Supongamos
que c 2

i2
A
i
, entonces c est contenido en un abierto y adems se tiene que lm
n!1
a
n
= lm
n!1
b
n
= c,
entonces [a
n
, b
n
] 2

i2
A
i
en la medida que n ! 1 y esto nos dice que efectivamente [a
n
, b
n
] es cubierto
por

i2
A
i
. Llegamos a una contradiccin y por denicin [0, 1] es compacto, luego es posible concluir que
toda cobertura por abiertos del conjunto tiene una subcobertura nita.
109
FCFM - Universidad de Chile
Denicin 4.11. (Conjunto secuencialmente compacto)
Sea C R
n
, diremos que este conjunto es secuencialmente compacto si toda sucesin convergente en C tiene una
subsucesin convergente en C. La misma denicin aplica si reemplazamos R
n
por un e.v.n. E.
Teorema 4.7. Todo conjunto S C cerrado es compacto si C R
n
es compacto.
Demostracin. Sea S cerrado y {A
i
}
i2
una cobertura por abiertos de S, entonces {A
i
}
i2
[ S
C
es una cobertura
por abiertos de C. Como C es compacto, tiene una subcobertura nita por abiertos {A
i
}
i2
[ S
C
que adems es
una subcobertura nita por abiertos de {A
i
}
i2
[ S
C
. Entonces, {A
i
}
i2
es una subcobertura nita por abiertos
de {A
i
}
i2
lo que concluye la demostracin.
Teorema 4.8. Si C R
n
es compacto, entonces C es cerrado y acotado.
Demostracin. Para demostrar que es acotado, partamos de la base que C es compacto y diferente de vaco.
Por denicin, sea {A
i
}
i2
una cobertura por abiertos de C, entonces necesariamente esta cobertura tiene un
subcobertura nita {A
i
}
i2
tal que C

i2
A
i
. Sea n = max
i2
i, entonces C

n
i=1
A
i
, como

tiene
mximo, C est contenido completamente en una unin nita lo que demuestra que es acotado. El razonamiento
no es vlido si C no es una parte nita de R
n
pero ese no es el caso que debemos demostrar.
Ahora debemos demostrar que C es cerrado. Los casos C = R
n
y C = ? signican que no hay nada que demostrar.
Supongamos que C \ R
n
= C, entonces escojamos x 2 C e y 2 C
C
. Se tendr que dado - > 0 existe B(x, -)
tal que B(x, -) \ B(y, -) = ?, por ejemplo, si escogemos - =
1
2
d(x, y). Sea {A
i
}
i2
una cobertura por abiertos
de C, debe existir {A
i
}
i2
{A
i
}
i2
que corresponde a una subcobertura nita por abiertos de C. Denamos
-

= mn
x2{Ai}
d(x, y) : i 2

y entonces B(y, -

) \ C
C
6= ? y B(y, -

) C
C
por lo que C
C
es abierto, lo que
concluye la demostracin.
Teorema 4.9. (Heine-Borel)
Sea C R
n
. C es compacto si y slo si es un conjunto cerrado y acotado.
Demostracin.linea en blanco
()): Esta implicancia ya fue demostrada en el teorema 4.8.
((): Si C es acotado, existe - > 0 tal que C B(x, -) para x 2 C. Entonces, C corresponde a un subconjunto
cerrado del rectngulo [a, b] . . . [a, b]. Escojamos a = mn{x
i
-, i = 1, . . . , n} y b = max{x
i
+ -, i = 1, . . . , n},
con lo cual [a, b]
n
es compacto y el teorema 4.7 permite concluir que C es compacto lo cual naliza la demostracin.

Proposicin 4.7. En R
n
las siguientes propiedades son equivalentes:
1. C R
n
es compacto.
2. C R
n
es cerrado y acotado.
3. Toda sucesin en C R
n
tiene una subsucesin convergente.
4.7. Consecuencias de la compacidad
Daremos algunas consecuencias no menores que resultan de los conjuntos compactos. Su importancia radica en la
existencia de elementos que maximizan o minimizan funciones cuyo dominio es compacto.
Teorema 4.10. Sea f : U R
n
!R una funcin continua. Si C U es compacto, entonces f(C) es compacto.
Demostracin. Podemos escoger arbitrariamente cualquier familia de conjuntos abiertos tales que f(C)

i2
A
i
.
Es decir, estamos jando una cobertura por abiertos {A
i
}
i2
de f(C). Se tendr que C f
1
_
i2
A
i
_
=

i2
f
1
(A
i
), lo cual signica que existe una subcobertura nita

i2
f
1
(A
i
) de C, con

. Entonces, f(C)
es compacto ya que f(C) puede ser cubierto por una cantidad nita de elementos de {A
i
}
i2
.
110
4.7. Consecuencias de la compacidad
Denicin 4.12. Sea f : U R
n
! R
m
una funcin no necesariamente continua. Diremos que f alcanza su
mximo (respectivamente mnimo) en U, si existe x
M
2 U (respectivamente x
m
2 U) tal que f(x) f(x
M
)
(respectivamente f(x
m
) f(x)), para todo x 2 U.
De esto se obtiene un corolario importante:
Corolario 4.1. Toda funcin continua f : C R
n
!R denida en un conjunto compacto C alcanza su mximo y
su mnimo en C.
Demostracin. Como f es continua, f(C) es compacto. De esta forma, f(C) es cerrado y acotado. Por ser f(C)
acotado, existe x
i
= nf{x : x 2 f(C)} y x
s
= sup{x : x 2 f(C)}. Por denicin de nmo y supremo, podemos
construir las sucesiones {x
i
n
}
n2N
f(C) y {x
s
n
}
n2N
f(C) que convergen, respectivamente, a x
i
y x
s
. Por ser
f(C) cerrado, x
i
y x
s
estn en f(C), lo cual concluye la demostracin.
A partir del corolario 4.1 se tiene la siguiente consecuencia:
Corolario 4.2. En R
n
todas las normas son equivalentes.
Demostracin. La demostracin ya fue hecha para el teorema 4.2. El corolario proviene de que las normas denen
funciones continuas (la demostracin de esto queda de tarea). Deniendo S = {x 2 R
n
: kxk = 1} se dene un
conjunto cerrado y acotado en (R
n
, k k) para cualquier norma. Sobre este hecho, el teorema 4.8 y el corolario 4.1
permiten concluir la equivalencia.
Denicin 4.13. Sean (E, kk
E
), (F, kk
F
) espacios vectoriales normados y f : A E ! F. f es uniformemente
continua en A si
(8- > 0)(9c > 0)(8x, y 2 A) tal que kx yk
E
c )kf(x) f(y)k
F
-
Nota 4.8. En el caso de la continuidad uniforme cambia el orden de los cuanticadores. La razn de esto es que
en la continuidad uniforme el valor de c no depende del x que se escoja.
Proposicin 4.8. Si f es uniformemente continua en A, entonces f es continua en A. La recproca es, en general,
falsa. Un claro ejemplo de esto ltimo es que la funcin f(x) = x
2
es continua pero no es uniformemente continua
en R.
Finalizamos esta seccin con el siguiente teorema:
Teorema 4.11. Sean (E, kk
E
) y (F, kk
F
) espacios vectoriales normados.
Sea f : A E !F continua y A compacto. Entonces f es uniformemente continua en A.
Demostracin. Supongamos que f no es uniformemente continua en A. Entonces
9- > 0 8c > 0 9x, y 2 A tal que kx yk
E
< c ^ kf(x) f(y)k
F
> -
Sea n 2 N, tomamos c = 1/n > 0 y escogemos x
n
, y
n
2 A tales que
kx
n
y
n
k
E
<
1
n
^ kf(x
n
) f(y
n
)k
F
> -
Como {x
n
}
n2N
A y A es compacto, existe una subsucesin {x
n
k
}
n2N
de {x
n
}
n2N
que converge a un x 2 A. A su
vez la sucesin {y
n
k
}
k2N
A posee una subsucesin {y
n
k
l
}
l2N
convergente, y
n
k
l
! y 2 A. Notemos que {x
n
k
l
}
es una subsucesin de {x
n
k
} y por lo tanto tambin converge a x. Lo anterior implica que (x
n
k
l
y
n
k
l
) !(xy)
cuando l !1, pero por otra parte tenemos que
kx
n
y
n
k
E
<
1
n
8n 2 N ) kx
n
k
l
y
n
k
l
k
E
<
1
n
k
l
!0
111
FCFM - Universidad de Chile
es decir, (x
n
k
l
y
n
k
l
) !0 cuando l !1 lo que implica que x = y.
Por la eleccin de las sucesiones tenemos que
kf(x
n
k
l
) f(y
n
k
l
)k
F
> - 8l 2 N
Tomando lmite cuando l !1 y gracias a la continuidad de f obtenemos que
kf(x) f(y)k
F
- > 0
lo que es imposible pues x = y.
4.8. Conjuntos convexos
Motivacin: La importancia de los convexos es que estos se pueden separar matemticamente y sus propiedades
de separacin nos sirven para demostrar que la solucin de un problema es la mejor de todas las soluciones posibles.
Retomaremos esta idea en los captulos siguientes.
Denicin 4.14. Un conjunto C es convexo si el segmento que une dos puntos pertenecientes al conjunto tambin
pertenece a C.
x
y
x
y
Figura 4.2.: Conjunto convexo y no convexo respectivamente
De manera formal, un conjunto C es convexo si dados dos elementos x, y 2 C y un nmero real ` 2 [0, 1] se cumple
z 2 C ,z = `x + (1 `)y (4.4)
Es decir, (4.4) es una combinacin lineal que dene un segmento de extremos x, y.
Denicin 4.15. Sean x
1
, . . . , x
n
2 R
n
y `
1
, . . . , `
n
2 R tales que

n
i=1
`
i
= 1. El vector y =

n
i=1
`
i
x
i
es una
combinacin convexa de x
1
, . . . , x
n
.
Proposicin 4.9. Todo espacio vectorial dene un conjunto convexo.
Demostracin. No es necesario demostrar. Como todo espacio vectorial, por denicin, es cerrado para la suma y
la ponderacin por escalar se tiene que es convexo.
Ahora que ya tenemos la denicin de convexidad podemos agregar algo ms sobre las normas. Ya habamos sealado
que en el caso de la norma se debe cumplir que 1 porque adems de la desigualdad triangular se debe cumplir
que el conjunto
C = {x 2 R
n
: kxk

, 2 R}
debe ser convexo. Con < 1 se tiene que C no es convexo y el ejemplo 4.2 es til para jar ideas.
Proposicin 4.10. Sea C R
n
convexo. Entonces int(C) y adh(C) son convexos.
Demostracin. Sean x, y 2 int(C) y z = `x + (1 `)y. Dado que x, y son interiores a C, existe r > 0 tal que
B(x, r) 2 C y B(y, r) 2 C.
112
4.9. Ejercicios
Sea v 2 R
n
y kvk < r, entonces x +v 2 B(x, r) y adems y +v 2 B(y, r). Luego
z +v = (`x + (1 `)y) + (`v + (1 `)v)
= `(x +v) + (1 `)(y +v)
Tenemos que z +v 2 C dado que C es convexo. Denamos v = z
0
z tal que z
0
2 B(z, r), entonces kvk < r y se
obtiene z
0
= z +v 2 C. Por lo tanto B(x, r) C, z 2 int(C) y llegamos a que int(C) es convexo.
Supongamos ahora que x, y 2 adh(C). Sean z = `x + (1 `)y y r
0
> 0, entonces existen v, w tales que kvk < r
0
,
kwk < r
0
, x + v 2 C y adems y + w 2 C. Llegamos a que z
0
= `(x + v) + (1 `)(y + w) 2 C y por lo tanto
kz
0
zk `kvk + (1 `)kwk < r
0
, z 2 adh(C) que permite concluir que adh(C) es un conjunto convexo.
4.9. Ejercicios
Base algebraica y geomtrica de R
n
Ejercicio 36. Sean x
0
, x
1
, . . . , x
n1
2 R
n
tales que x
1
x
0
, . . . , x
n1
x
0
son linealmente independientes. Probar
que existe exactamente un hiperplano conteniendo a x
0
, x
1
, . . . , x
n1
.
Ejercicio 37. Sea x un vector cualquiera de R
n
y d es un vector unitario:
1. Demuestre que x = y +z, donde y es un mltiplo de d y z es perpendicular a d.
2. Demuestre que los vectores y y z de la parte 1. estn determinados unvocamente.
Ejercicio 38. Sea A 2 M
nn
(R) una matriz simtrica.
1. Pruebe que existen vectores e
1
, . . . , e
n
2 R
n
, `
1
, . . . , `
n
2 R tales que:
Ax =
n

i=1
`
i
(x e
i
)e
i
8x 2 R
n
.
Indicacin. Piense en los valores y vectores propios de A.
2. Pruebe usando lo anterior que kAxk Ckxk.
Normas y conjuntos en un e.v.n
Ejercicio 1. Dados dos conjuntos A, B en un espacio vectorial normado E, demuestre
1. int(A\ B) = int(A) \ int(B)
2. int(A) [ int(B) int(A[ B) (d un ejemplo donde no hay igualdad)
3. adh(A[ B)) = adh(A) [ adh(B).
4. adh(A\ B)) adh(A) \ adh(B) (d un ejemplo donde no hay igualdad).
5. adh(A) = int(A) [ fr(A)
6. A B )int(A) int(B) y adh(A) adh(B)
7. int(A) \ B = ? ,int(A) \ adh(B) = ?
8. adh(A) = E y int(B) \ A = ? )int(B) = ?
9. int(A
C
) = (adh(A))
C
10. (adh(A
C
)) = (int(A))
C
113
FCFM - Universidad de Chile
Ejercicio 2. Sea
A = {(x, y) 2 R
2
: (x 1)
2
+y
2
=
1
4
^ x < 1}
Determine int(A), adh(A), fr(A) y deduzca si A es un conjunto abierto o cerrado.
Ejercicio 3. Sea E el espacio vectorial de los polinomios de una variable real con coecientes reales. Denamos la
funcin k k : E !R por
kpk = max lm
x2[0,1]
|p(x)| 8p 2 E
1. Demuestre que k k es una norma en el espacio E.
Hint: Use que un polinomio tiene exactamente tantos ceros como el grado, excepto si es el polinomio nulo.
2. Considere la funcin /
1
: E !R denida por
/
1
(p) = p(1/2) para todo p 2 E
Demuestre que:
3. la funcin /
1
es lineal y verica la desigualdad:
9K 2 R tal que |/
1
(p)| Kkpk para todo p 2 E
4. La funcin /
1
es continua.
Ejercicio 4. Sea A 2 M
nn
una matriz invertible. Se dene n : R
n
!R como
n = kxk +kAxk
Demuestre que n es una norma
Ejercicio 5. Dada una norma kk en R
n
y una matriz A de nn invertible. Demuestre que la funcin kxk

= kAxk
es una norma en R
n
.
Conjuntos abiertos y cerrados
Ejercicio 6. Analice el interior, la adherencia, el derivado y la frontera de
A =
1
_
k=2
B

3
2
k+1
, 0

,
1
2
k+1

_
B

3
4
, 0

,
1
4

.
Ejercicio 7. Demuestre que:
1. adh(A) es un conjunto cerrado.
2. int(A) es un conjunto abierto.
3. adh(A) es el cerrado ms pequeo que contiene a A y a su vez int(A) es el abierto ms grande contenido en
A.
4. R
n
\ int(A) = adh(R
n
\ A).
Ejercicio 8. Pruebe que en general no se tiene que int(adh(A)) = A. Para esto siga los siguientes pasos:
1. Pruebe que adh(Q) = R.
2. Pruebe que int(R) = R
3. Concluya.
114
4.9. Ejercicios
Ejercicio 9. Sean A, B R
n
. Se dene A+B = {x : x = a +b, a 2 A, b 2 B}.
1. Demuestre que A+B es abierto si A es abierto
2. D un ejemplo en R donde A y B sean cerrados pero A+B no sea cerrado.
Ejercicio 10. Vericar que el conjunto
A = {(x, y) 2 R
2
: x
2
+xy < x} es abierto en R
2
Ejercicio 11. Encontrar en R
2
un conjunto que no sea abierto ni cerrado.
Ejercicio 12. Sea d la distancia en R
n
, asociada a alguna norma en R
n
(d(x, y) = kx yk). Sean A R
n
y
B R
n
dos conjuntos no vacos, demuestre:
1. C = {x 2 R
n
: d(x, A) = d(x, B)} es cerrado
2. D = {x 2 R
n
: d(x, A) < d(x, B)} es abierto donde d(x, A) =nf{d(x, y) : y 2 A}.
3. Si A y B son cerrados y disjuntos entonces existen dos abiertos no vacos U y V tales que A U y B V y
U \ V = ?.
Ejercicio 13. Dada una matriz A de 2 2 considere su determinante y demuestre que el conjunto
B = {A 2 M
2
(R) : A es invertible}
es abierto.
Indicacin. Identique M
2
(R) con R
4
.
Sucesiones en un e.v.n
Ejercicio 14. Considere el espacio vectorial C([0, 1], R) de las funciones continuas f : [0, 1] ! R. Denamos la
sucesin {f
k
} por:
f
k
=
_

_
1 si x 2 [0, 1/2]
2
k
(x 1/2) + 1 si x 2 [1/2, 2
k
+ 1/2]
0 si x 2 [2
k
+ 1/2, 1]
1. Vericar que f
k
2 C([0, 1], R) 8k 2 N.
2. Se dene la norma k k
1
en C([0, 1], R), como kfk
1
=
_
lm
1
0
|f(x)|dx. Demuestre que para esta norma {f
k
}
es de Cauchy y no es convergente.
3. Sea A([0, 1], R) el espacio vectorial de las funciones acotadas de [0, 1] en R, dotado de la norma k k
1
, denida
por kfk
1
= sup lm
x2[0,1]
|f(x)|, demuestre que {f
k
} es convergente en este espacio.
Ejercicio 15. Sea k k
1
una norma en el e.v. E y {a
k
} una sucesin de Cauchy respecto de dicha norma. Demostrar
que si k k
2
es otra norma en E equivalente a k k
1
, entonces {a
k
} es sucesin de Cauchy tambin respecto a k k
2
.
Si E es Banach respecto a k k
1
. Se puede decir que es Banach con k k
2
?
Ejercicio 16. Demuestre que dos sucesiones de Cauchy (x
k
) y (y
k
) en R
n
tienen el mismo lmite s y slo s
lm lm
k!1
kx
k
y
k
k = 0
115
FCFM - Universidad de Chile
Ejercicio 17. Demuestre la siguiente caracterizacin de espacios de Banach. Sea E un e.v.n.
E es un espacio de Banach
s y slo s
_
8{x
n
}
n2N
E
1

i=1
kx
i
k < 1
_
)
1

i=1
x
i
converge en E
Indicacin. Para la implicacin ((), dada una sucesin de Cauchy {x
n
}
n2N
, construya una subsucesin {x
n
k
}
n2N
tal que

lm
1
k=1
kx
n
k+1
x
n
k
k < 1. Luego concluya.
Ejercicio 18. Demuestre que el espacio L(R
n
, R
m
) de todos las aplicaciones lineales / de R
n
en R
m
es un e.v.n.
en el que toda sucesin de Cauchy converge debido a que R
n
es e.v.n. y en R
m
toda sucesin de Cauchy converge.
Indicacin. Primero demuestre que una aplicacin lineal acotada es uniformemente continua y que si una aplicacin
lineal es continua en un punto, es acotada.
Compacidad
Ejercicio 19. Considere la sucesin {p
k
} en E denida por p
k
(x) = x
k
y demuestre que
1. kp
k
k = 1 para todo k 2 N.
2. {p
k
} no tiene punto de acumulacin.
3. B(0, 1) en E no es compacta.
Ejercicio 20. Demuestre que si A es un conjunto compacto y B A, entonces B = adh(B) es un conjunto
compacto.
Ejercicio 21. asdf
1. Si {A
i
}
i2N
es una familia decreciente de conjuntos compactos no vacos en un e.v.n, demuestre que

lm
i2N
A
i
6= ?
2. D un ejemplo en R de una familia decreciente de conjuntos acotados (no vacos) cuya interseccin sea vaca.
3. D un ejemplo en R de una familia decreciente de conjuntos cerrados (no vacos) cuya interseccin sea vaca.
Ejercicio 22. Sea X un espacio vectorial normado, sean A, B X cerrados y sean C, D X compactos. Probar
que
1. Si d(C, D) =nf lm
x2C,y2D
kx yk = 0 entonces C \ D 6= ?.
2. Si d(A, B) =nf lm
x2C,y2D
kx yk = 0 entonces no necesariamente A\ B 6= ?.
Ejercicio 23. Sean (X, k k
X
) y (Y, k k
Y
dos espacios vectoriales normados. Denimos (X Y, k k) como el
espacio vectorial normado donde (x, y) 2 X Y () x 2 X ^ y 2 Y y la norma en X Y se dene como
k(x, y)k = kxk
X
+kyk
Y
. Sean A X y B Y compactos. Demuestre que entonces AB es compacto en XY .
Ejercicio 24. Sea U = R
N
, es decir, el espacio de las sucesiones. Considere en U la norma
kxk = sup{|x
i
| : i 2 N}
Indique cual(es) de los siguientes conjuntos son compactos:
1. B
0
(0, 1) = {x 2 U : |x
i
| 1, 8i 2 N}
2. B
1
(0, 1) = {x 2 U : |x
i
|
1
i
, 8i 2 N}
3. B
2
(0, 1) = {x 2 U : |x
i
| = 1, 8i 2 N}
Ejercicio 25. Demuestre que las matrices ortogonales de n n forman un subconjunto compacto de R
n
R
n
.
116
4.9. Ejercicios
Conjuntos convexos
Ejercicio 26. Dados d 2 R
3
\ {0} y - > 0, se llama cono de Bishop-Phelps al conjunto
K(d, -) = {x 2 R
3
: -kdkkxk hx, di}
Demuestre que K(d, -) es convexo para todo d 2 R
3
\ {0} y - > 0.
Ejercicio 27. Dados a, b 2 R
2
y 2 [0, 1] se llama ptalo de Penot al conjunto
P
;
(a, b) = {x 2 R
2
: ka xk +kx bk kb ak}
Demuestre que P
;
(d, -) es convexo para todo a, b 2 R
2
y 2 [0, 1].
117
CAPTULO 5
Teoremas de la Funcin Inversa e Implcita
Estudiaremos algunos teoremas que nos permiten resolver sistemas de ecuaciones no lineales, conocer las condiciones
para que exista la inversa de una funcin de varias variables y bajo qu condiciones podemos expresar una o varias
variables de una funcin en trminos de las dems (o en trminos de una variable conocida).
5.1. Teorema del punto jo de Banach
Motivacin: Los teoremas de punto jo nos sirven para demostrar la existencia de soluciones de una ecuacin, la
existencia de equilibrio en un sistema, encontrar races de funciones o resolver sistemas de ecuaciones no lineales.
Problema 5.1. Encontrar una solucin a:
_
u
0
= f(x, u)
u(x
0
) = u
0
donde x, u 2 R. Este problema es equivalente a
u(x) = u
0
+
_
x
x0
f(s, u(s))ds
Supongamos que f : R R !R es continua, entonces
T : C([x
0
a, x
0
+a], R) ! C([x
0
a, x
0
+a], R)
u 7! u
0
+
_
x
x0
f(s, u(s))ds
est bien denida y el problema original es equivalente a encontrar u tal que
u = T(u)
que recibe el nombre de problema de punto jo.
Problema 5.2. Dado F : R
n
!R
n
encontrar solucin a:
F(x) = 0
Este es un problema de punto jo, pues se puede escribir
x = x +F(x)
119
FCFM - Universidad de Chile
T : R
n
! R
n
x 7! x +F(x)
Deniendo T(x) = x + F(x) el problema original consiste en encontrar un punto jo de T, es decir en encontrar
un x tal que T(x) = x.
En diversas reas de la ingeniera es comn encontrarse con problemas donde se quiere resolver
u = T(u), con T : E !E
o bien T : K !K en que K E es un subconjunto cerrado y E es un espacio de Banach.
Denicin 5.1. T : K !K se dice contraccin si existe una constante c , 0 < c < 1 tal que
kT(u) T(v)k cku vk 8u, v 2 K
Teorema 5.1. (Teorema del punto jo de Banach)
Sea E espacio de Banach, K E cerrado. Si T : K ! K es una contraccin entonces existe un y solo un punto
jo de T en K
9!x 2 K, T(x) = x
Demostracin. Veamos primero la existencia. El mtodo de demostracin es constructivo.
Sea x
0
2 K cualquiera. Consideremos la sucesin {x
n
}
n2N
denida por la recurrencia
x
k+1
= T(x
k
), k 2 N
Demostremos que {x
n
}
n2N
es de Cauchy.
kx
k
x
m
k = kT(x
k1
) T(x
m1
)k
ckx
k1
x
m1
k
ckT(x
k2
) T(x
m2
)k
c
2
kx
k2
x
m2
k
supongamos, sin perdida de generalidad que k m. Si repetimos el procedimiento anterior, obtenemos
kx
k
x
m
k c
m
kx
km
x
0
k
en particular
kx
l+1
x
m
k c
m
kx
1
x
0
k
Entonces podemos escribir
kx
k
x
m
k kx
k
x
k1
k +kx
k1
x
k2
k + +kx
m+1
x
m
k
(c
k1
+c
k2
+ +c
m
)kx
1
x
0
k
es decir,
kx
k
x
m
k
1

i=m
c
i
kx
1
x
0
k
= c
m
_
1

i=0
c
i
_
kx
1
x
0
k
= c
m
1
1 c
kx
1
x
0
k
k,m!1
! 0
120
5.1. Teorema del punto jo de Banach
Por lo tanto {x
n
}
n2N
es una sucesin de Cauchy en E, luego tiene un lmite x

2 E y como K es cerrado
entonces x

2 K. Por otra parte, si T es contraccin, es continua (tarea), por lo que tomando lmite en la ecuacin
x
k+1
= T(x
k
) obtenemos que
x

= T(x

)
es decir, x

es un punto jo de T.
Veamos que es nico. Supongamos que T tiene dos puntos jos, x = T(x) e y = T(y), entonces
kx yk = kT(x) T(y)k ckx yk
y como 0 c < 1, no queda otra posibilidad ms que x = y.
Nota 5.1. El teorema del punto jo de Banach provee una condicin suciente (y no necesaria) para la existencia
de puntos jos. No es necesario que una funcin sea contractante para que tenga punto jo, un claro ejemplo es la
funcin f : [0, 1] ![0, 1] denida por f(x) = x la cual es continua, no contractante y cumple que cualquier x 2 [0, 1]
es un punto jo de la funcin.
Ejemplo 5.1. (Existencia de soluciones para EDO)
Volvamos al problema 5.1. Si f : R R !R es continua y satisface
|f(s, u) f(s, v)| K|u v|
entonces si x > x
0
|T(u) T(v)| =

_
x
x0
f(s, u(s)) f(s, v(s))ds

_
x
x0
|f(s, u(s)) f(s, v(s))|ds
K
_
x
x0
|u(s) v(s)|ds
Kku vk
1
a
si x < x
0
se obtiene el mismo resultado, luego kT(u) T(v)k
1
Kaku vk
1
para toda u, v 2 C([x
0
a, x
0
+a]).
Si Ka < 1 entonces, gracias al teorema del punto jo de Banach, existe u 2 C([x
0
a, x
0
+a]) tal que
u = T(u)
y este u es nico.
Para encontrar una solucin se puede iterar, reproduciendo la demostracin del teorema de punto jo de Banach.
u
n+1
= Tu
n
u
n+1
(x) = u
0
+
_
x
x0
f(s, u
n
(s))ds
este mtodo para encontrar la solucin recibe el nombre de mtodo de Picard.
Ejemplo 5.2. (Existencia de soluciones de una ecuacin)
Consideremos el sistema de ecuaciones
x =
1
2
cos(x +y)
y =
1
3
ln(1 +x
2
+y
2
) + 5
este es un problema de punto jo: (x, y) = T(x, y) con T : R
2
!R denida por
T(x, y) =

1
2
cos(x +y),
1
3
ln(1 +x
2
+y
2
) + 5

121
FCFM - Universidad de Chile
Vamos a demostrar que T es contractante. Como consecuencia, gracias al teorema del punto jo de Banach, ten-
dremos que el sistema de ecuaciones tiene una y solo una solucin en R
2
. Para ello recordemos el teorema del valor
medio: Sea f : R
n
!R diferenciable, entonces
f(x) f(y) =
_
1
0
rf(tx + (1 t)y) (x y)dt
lo que implica que
|f(x) f(y)|
_
1
0
krf(tx + (1 t))ykkx ykdt
max
0t1
{krf(tx + (1 t)y)k}kx yk
Supongamos que krf(z)k K para todo z 2 R
n
. Entonces |f(x) f(y)| Kkx yk.
Apliquemos esto a nuestro problema. Si T
1
(x, y) = (1/2) cos(x +y) entonces
krT
1
(x, y)k =
_
_
_
_

1
2
sen(x +y),
1
2
sen(x +y)
_
_
_
_

1
p
2
) |T
1
(x, y) T
1
( x, y)|
1
p
2
k(x, y) ( x, y)k
Para T
2
(x, y) = (1/3) ln(1 +x
2
+y
2
) + 5 hacemos lo mismo:
krT
2
(x, y)k =
1
3
_
_
_
_

2x
1 +x
2
+y
2
,
2y
1 +x
2
+y
2
_
_
_
_

2
3

x
1 +x
2

2
+

y
1 +y
2

2
la funcin f(z) = z/(1+z
2
) alcanza su mximo en z = 1 (tarea) y su mximo es 1/2. Por lo tanto krT
2
(x, y)k
p
2/3
lo que implica
|T
2
(x, y) T
2
( x, y)|
p
2
3
k(x, y) ( x, y)k
Concluimos entonces que
kT(x, y) T( x, y)k =
_
(T
1
(x, y) T
1
( x, y))
2
+ (T
2
(x, y) T
2
( x, y))
2

_
13
18
k(x, y) ( x, y)k
es decir, T es contractante pues
_
13/18 < 1.
5.2. Teorema de la funcin inversa
Motivacin: Sea L : R
n
!R
n
una funcin lineal. Para que L sea biyectiva es necesario y suciente que la matriz
asociada (matriz representante) sea invertible, y en este caso la matriz representante de la funcin inversa ser la
inversa de la matriz representante de L.
Si L(x
0
) = b
0
y queremos resolver la ecuacin L(x) = b
0
+b, la solucin ser
x = x
0
+x = L
1
(b
0
) +L
1
(b)
Cuando F : !R
n
es diferenciable, F es localmente como una funcin lineal (afn), y por lo tanto es razonable
pensar que la biyectividad local de F est relacionada con la biyectividad de su aproximacin lineal.
122
5.2. Teorema de la funcin inversa
Teorema 5.2. (Teorema de la funcin inversa)
Sea F : R
n
! R
n
una funcin de clase C
1
. Supongamos que para a 2 , DF(a) (Jacobiano) es invertible y
que F(a) = b. Entonces
1. Existen abiertos U y V de R
n
tales que a 2 U, b 2 V y F : U !V es biyectiva.
2. Si G : V !U es la inversa de F, es decir, G = F
1
, entonces G es tambin de clase C
1
y DG(b) = [DF(a)]
1
.
Antes de dar la demostracin veremos algunos ejemplos.
Ejemplo 5.3. Sea F(x, y) = (x
2
+ ln y, y
2
+xy
3
), entonces F(1, 1) = (1, 2)
Consideremos la ecuacin F(x, y) = (b
1
, b
2
)
x
2
+ ln y = b
1
y
2
+xy
3
= b
2
con (b
1
, b
2
) cerca de (1, 2).
DF(x, y) =

2x 1/y
y
3
2y + 3xy
2

evaluando el Jacobiano en (x, y) = (1, 1) obtenemos


DF(1, 1) =
_
2 1
1 5
_
que es una matriz invertible.
Concluimos entonces, gracias al teorema de la funcin inversa que la ecuacin tiene una y solo una solucin
(x(b
1
, b
2
), y(b
1
, b
2
))
para cualquier (b
1
, b
2
) cercano al punto (1, 2). Ms an (x(b
1
, b
2
), y(b
1
, b
2
)) est cerca de (1, 1) y depende de (b
1
, b
2
)
de manera diferenciable.
Ejemplo 5.4. Cambio de coordenadas esfricas:
x = r sen ccos
y = r sen csen
z = r cos c
Llamaremos al cambio de variables. El Jacobiano de la transformacin en el punto r = 1, c = /4, = /4 es
D(1, /4, /4) =
_
_
1/2 1/2 1/2
1/2 1/2 1/2
p
2/2 0
p
2/2
_
_
Esta matriz es invertible pues su determinante es igual a
p
2/2. En general se tiene que |D(r, , c)| = r
2
sen c que
es distinto de cero excepto si r = 0 o si sen c = 0. Por lo tanto, salvo en el eje z la transformacin es localmente
biyectiva.
Previo a la demostracin del teorema, consideremos tres resultados que sern de utilidad.
1. A partir de la norma descrita en (1.10), consideremos en M
nn
(R) la norma
kAk
F
=

_
n

i=1
n

j=1
a
2
ij
Entonces, kAxk
2
kAk
F
kxk
2
si x 2 R
n
, A 2 M
nn
y adems kABk
F
kAk
F
kBk
F
, si A, B 2 M
nn
.
123
FCFM - Universidad de Chile
2. A partir del teorema del punto jo de Banach (teorema 5.1) consideremos el siguiente corolario: Si (E, kk)
es un espacio de Banach,C E es un conjunto cerrado y F : C ! C es una funcin contractante, entonces
existe un nico x 2 C tal que F(x) = x.
3. A partir del teorema del valor medio (teorema 1.13) y de la caracterizacin de convexidad (denicin 4.14):
Sean F : U !R
n
de clase C
1
y U un conjunto convexo. Si kDF
i
(x)k A
i
8x 2 U, entonces kF(x) F(y)k
_
A
2
1
+. . . +A
2
n
kx yk 8x, y 2 U.
Si kDF(x)k C 8x 2 U entonces kF(x) F(y)k Ckx yk, pues
kF(x) F(y)k =
_
_
_
_
_
1
0
DF(tx + (1 t)y) (x y)dt
_
_
_
_

_
1
0
kDF(tx + (1 t)y) (x y)kdt

_
1
0
kDF(tx + (1 t)y)kkx ykdt
Ckx yk
Demostracin. (Teorema de la funcin inversa)
Observemos que si F es de clase C
1
entonces la funcin
DF : ! M
nn
x 7! DF(x)
es continua pues
kDF(x) DF(x
0
)k
F
=

_
n

i=1
n

j=1

0f
i
0x
j
(x)
0f
i
0x
j
(x
0
)

2
y como todas las derivadas parciales son continuas, dado - > 0, existen c
ij
> 0 tales que kx x
0
k < c
ij
)
|
dfi
dxj
(x)
dfi
dxj
(x
0
)| <
-
n
, entonces escogiendo c = mn
i,j
c
ij
> 0 tenemos que kxx
0
k < c ) kDF(x)DF(x
0
)k
F
<
_
n
2
(
-
n
)
2
= -.
Queremos demostrar que existen abiertos U y V tales que F : U ! V es biyectiva, lo que se puede expresar en
otras palabras como: Dado y 2 V existe un nico x 2 U que es solucin de la ecuacin F(x) = y. Adems
F(x) = y , y F(x) = 0
, DF(a)
1
(y F(x)) = 0 pues DF(a) es invertible
, x +DF(a)
1
(y F(x)) = x
Entonces dado y 2 V , resolver la ecuacin F(x) = y es equivalente a encontrar un punto jo a la funcin ,
y
(x) =
x +DF(a)
1
(y F(x)) Como DF es continua en a, existe - > 0 tal que
x 2 B(a, -) ) kDF(x) DF(a)k
F
<
1
2
p
nkDF(a)
1
k
F
Para probar que F : B(a, -) !R
n
es inyectiva, basta probar que ,
y
es contractante, en efecto F(x
1
) = y ^F(x
2
) =
y ) ,
y
(x
1
) = x
1
^ ,
y
(x
2
) = x
2
y si ,
y
es contractante entonces k,
y
(x
1
) ,
y
(x
2
)k Ckx
1
x
2
k )kx
1
x
2
k
Ckx
1
x
2
k y como C < 1, x
1
= x
2
.
Observemos que ,
y
es de clase C
1
. Para probar que es contractante acotamos la norma de su derivada:
D,
y
(x) = I DF(a)
1
DF(x) = DF(a)
1
(DF(a) DF(x))
donde I es la matriz identidad de n n.
kD,
y
(x)k
F
kDF(a)
1
k
F
kDF(a) DF(x)k
F

1
2
p
n
124
5.2. Teorema de la funcin inversa
la ltima desigualdad es vlida si x 2 B(a, -).
Entonces como B(a, -) es convexa y kD(,
y
)
i
(x)k
1
2
p
n
para i = 1, . . . , n, obtenemos
k,
y
(x) ,
y
(z)k kx zk

_
n

i=1
(
1
2
p
n
)
2
=
1
2
kx zk 8x, z 2 B(a, -)
Si denimos U = B(a, -) y V = F(U), entonces F : U !V es biyectiva. Veamos que V es abierto.
Sea y

2 V y x

2 B(a, -) tal que F(x

) = y

. Hay que demostrar que existe > 0 tal que si y 2 B(y

, ) entonces
existe x 2 U tal que F(x) = y ,x = ,
y
(x), es decir, B(y

, ) F(U) = V .
Sea r > 0 tal que B(x

, 2r) U, y x 2

B(x

, r)
,
y
(x) x

= ,
y
(x) (x

+DF(a)
1
)y F(x

))) +DF(a)
1
(y y

)
= ,
y
(x) ,
y
(x

) +DF(a)
1
(y y

)
y por lo tanto
k,
y
(x) x

k k,
y
(x) ,
y
(x

)k +kDF(a)
1
(y y

k)

1
2
kx x

k +kDF(a)
1
kky y

k
Si escogemos = r/(2kDF(a)
1
k
F
) tendremos que 8y 2 B(y

, ) la funcin
,
y
:

B(x

, r) !

B(x

, r)
es una contraccin y por lo tanto tiene un nico punto jo x 2

B(x

, r) U tal que
,
y
(x) = x ) F(x) = y
Concluimos as que B(y

, ) V , es decir, V es abierto.
Resta estudiar la diferenciabilidad de la funcin inversa. Sean y, y + k 2 V entonces existen nicos x, x + h 2 U
tales que y = F(x) e y +k = F(x +h) entonces
F
1
(y +k) F
1
(y) DF(x)
1
k = h DF(x)
1
k
= DF(x)
1
(F(x +h) F(x) DF(x)h)
Por lo tanto
1
kkk
kF
1
(y +k) F
1
(y) DF(x)
1
kk kDF(x)
1
k
kF(x +h) F(x) DF(x)hk
khk
khk
kkk
Probaremos ahora que khk/kkk C < 1 lo que implica que h ! 0 cuando k ! 0 y como F es diferenciable
en el punto x, el lado derecho de la desigualdad anterior tiende a cero cuando k ! 0, obligando asi a que el lado
izquierdo tienda a cero tambin, lo que por denicin signica que F
1
es diferenciable en y y
DF
1
(y) = [DF(x)]
1
Se sabe que
kh DF(a)
1
kk = kh DF(a)
1
(F(x +h) F(x))k
= kh +x DF(a)
1
(F(x +h) y) x +
DF(a)
1
(F(x) y)k
= k,
y
(x +h) ,
y
(x)k

1
2
khk
125
FCFM - Universidad de Chile
por lo tanto
khk kDF(a)
1
k kh DF(a)
1
k 1/2khk
lo que implica que
1/2khk kDF(a)
1
kk kDF(a)
1
kkkk
es decir,
khk
kkk
2kDF(a)
1
k < 1
que es lo que se quera probar.
La continuidad de DF
1
(y) = [DF(F
1
(y))]
1
se obtiene de la regla de Cramer para obtener la inversa de una
matriz. Para una matriz invertible A se tiene que
A
1
=
1
det(A)
[cofactores(A)]
t
y donde cofactores(A) es una matriz formada por los distintos subdeterminantes de A que se obtienen al sacarle
una la y una columna a A. Entonces como F es continuamente diferenciable, sus derivadas parciales son continuas,
y gracias a la formula de Cramer las derivadas parciales de F
1
sern continuas tambin pues son productos y
sumas de las derivadas parciales de F y cuociente con el determinante de DF(F
1
(y)) que es distinto de cero y
continuo por la misma razn.
5.3. Teorema de la funcin implcita
Motivacin: Supongamos que se tiene una funcin f : R
2
!R, y consideremos una ecuacin de la forma
f(x, y) = 0
Es entonces natural hacer la siguiente pregunta: Es posible despejar y en funcin de x?
Supongamos que s, es decir, existe una funcin y(x) que satisface
f(x, y(x)) = 0
supongamos adems que f e y(x) son diferenciables, entonces podemos derivar la ecuacin anterior con respecto a
x:
0f
0x
+
0f
0y
dy
dx
= 0
o sea
dy
dx
=
0f/0x
0f/0y
(Derivacin implcita)
Notemos que para poder realizar este clculo es necesario que 0f/0y sea distinto de cero.
Ejemplo 5.5. Consideremos la siguiente ecuacin
x
2
+y
2
= 1
Es posible despejar y en funcin de x? Evidentemente la respuesta a esta pregunta es que no es posible despejar
globalmente una variable en funcin de la otra, pero si (x
0
, y
0
) es un punto que satisface la ecuacin, es decir,
x
2
0
+y
2
0
= 1 y adems y
0
6= 0, entonces es posible despejar localmente y en funcin de x (es decir, en una vecindad
de (x
0
, y
0
)). Adems derivando la ecuacin se tiene que
2x + 2y
dy
dx
= 0 )
dy
dx
=
x
y
Sin embargo si y
0
= 0 es imposible despejar y en funcin de x en torno al punto (x
0
, y
0
).
126
5.3. Teorema de la funcin implcita
Ejemplo 5.6. Consideremos ahora un caso ms general que el anterior. Suponga que se tienen las variables
x
1
, . . . , x
m
e y
1
, . . . , y
n
relacionadas por n ecuaciones (sistema de ecuaciones),
F
i
(x
1
, . . . , x
m
, y
1
, . . . , y
n
) = 0, i : 1, . . . , n.Esto se puede escribir como
F : R
m
R
n
! R
n
(x
1
, .., x
m
, y
1
, . . . , y
n
) 7! F(x, y) =
_
_
_
F
1
(x
1
, . . . , x
m
, y
1
, . . . , y
n
)
.
.
.
F
n
(x
1
, . . . , x
m
, y
1
, . . . , y
n
)
_
_
_
Entonces, F(x
1
, . . . , x
m
, y
1
, . . . , y
n
) = 0.
Es posible despejar las variables y, en funcin de las variables x? Es decir, existen funciones y
j
(x
1
, . . . , x
m
),
j = 1, . . . , n tales que
F(x
1
, . . . , x
m
, y
1
(x
1
, . . . , x
x
), . . . , y
n
(x
1
, . . . , x
m
)) = 0
Veamos el caso particular de un sistema lineal. Sea L una matriz L = [AB] 2 M
n(n+m)
, y consideremos el sistema
Ax +By = b
En este caso es posible despejar y en funcin de x cuando B es invertible:
y(x) = B
1
b B
1
Ax
Teorema 5.3. (Teorema de la funcin implcita)
Sea F : R
m+n
!R
n
una funcin de clase C
1
, y sea (a, b) 2 R
m
R
n
un punto tal que F(a, b) = 0. Escribimos
entonces DF(a, b) = [D
x
F(a, b) D
y
F(a, b)] y supongamos que D
y
F(a, b) es invertible. Entonces existen conjuntos
abiertos U R
m+n
, W R
m
con (a, b) 2 U y a 2 W tales que para cada x 2 W existe un nico y tal que
(x, y) 2 U y
F(x, y) = 0
esto dene una funcin G : W !R
n
que es de clase C
1
y que satisface
F(x, G(x)) = 0, 8x 2 W
adems DG(x) = [D
y
F(x, G(x))]
1
D
x
F(x, G(x)) para todo x 2 W y G(a) = b.
Al igual que en el teorema de la funcin inversa veamos un ejemplo antes de dar la demostracin del teorema.
Ejemplo 5.7. Considere el sistema de ecuaciones
x
2
+ sen(y) + cos(yz) w
3
1 = 0
x
3
+ cos(yx) + sen(z) w
2
1 = 0
1. Muestre que es posible despejar (y, z) en funcin de (x, w) en una vecindad del punto
(x
0
, y
0
, z
0
, w
0
) = (0, 0, 0, 0)
Calcular
dy
dx
(0, 0).
2. Es posible despejar (x, y) en funcin de las variables (z, w) en una vecindad de (0, , 0, 0)? Qu se puede
decir de despejar (x, w) en funcin de (y, z)?
Solucin.
1. Para este problema se tiene que la funcin F es:
F(x, y, z, w) = (x
2
+ sen(y) + cos(yz) w
3
1, x
3
+ cos(yx) + sen(z) w
2
1).
Entonces F es de clase C
1
y F(0, 0, 0, 0) = (0, 0). Adems
D
(y,z)
F(x, y, z, w) =

0F
1
/0y 0F
1
/0z
0F
2
/0y 0F
2
/0z

cos y sen(yz)z sen(yz)y


sen(yx)x cos(z)

127
FCFM - Universidad de Chile
luego
D
(y,z)
F(0, 0, 0, 0) =

1 0
0 1

que es invertible. Luego, gracias al teorema, es posible despejar (y, z) en funcin de (x, w) de manera diferen-
ciable en una vecindad del punto (0, 0). Si derivamos las ecuaciones con respecto a x obtenemos
2x + cos(y)
0y
0x
cos(yz)(y
0z
0x
+z
0y
0x
) = 0
3x
2
sen(yx)(
0y
0x
x +y) + cos(z)
0z
0x
= 0
evaluando en el punto (0, 0, 0, 0) se tiene que 0y/0x(0, 0) = 0.
2. En este caso se tiene que F(0, , 0, 0) = (0, 0) y
D
(x,y)
F(x, y, w, z) =

2x cos(y) sen(yz)z
3x
2
sen(yx)x

por lo tanto
D
(x,y)
F(0, , 0, 0) =

0 1
0 0

esta ltima no es una matriz invertible por lo que el teorema no es aplicable. Si se quisiera despejar (x, w) en
funcin de (y, z) debemos observar la matriz
D
(x,w)
F(x, y, z, w) =

2x 3w
2
3x
2
2w

que tampoco es invertible en los puntos (0, 0, 0, 0) y (0, , 0, 0), por lo que nuevamente el teorema no es
aplicable.

Demostracin. (Teorema de la funcin implcita)


Denamos la funcin
f : R
n+m
! R
n+m
(x, y) 7! f(x, y) = (x, F(x, y))
que es evidentemente una funcin de clase C
1
gracias a que F lo es. Su Jacobiano en el punto (a, b) es
Df(a, b) =

I
mm
0
D
x
F(a, b) D
y
F(a, b)

que es invertible ya que por hiptesis D


y
F(a, b) lo es. Adems f(a, b) = (a, 0). Podemos entonces aplicar el teorema
de la funcin inversa (teorema 5.2) a la funcin f. Existen abiertos U, V R
n+m
tales que (a, b) 2 U, (a, 0) 2 V y
f : U ! V es biyectiva con inversa de clase C
1
. Denamos ahora el conjunto W = {z 2 R
m
/(z, 0) 2 V }, entonces
a 2 W y W es un conjunto abierto de R
m
pues V es abierto (demostrar que W es abierto queda de tarea). Luego,
para cada z 2 W la ecuacin f(x, y) = (z, 0) tiene un nico par (x
z
, y
z
) como solucin, es decir,
(x
z
, F(x
z
, x
z
)) = (z, 0)
esto ltimo implica que x
z
= z y por lo tanto F(z, y) = 0. Como y
z
es nico dado z, esto dene una funcin
G(z) = y
z
. Evidentemente G(a) = b, y
(z, y
z
) = f
1
(z, 0) = (z, G(z))
128
5.4. Ejercicios
De esta forma, G es la funcin que estamos buscando y como f
1
es de clase C
1
, entonces la ecuacin anterior dice
que G es de clase C
1
tambin. Se tiene que G satisface la ecuacin F(z, G(z)) = 0, y como F y G son de clase C
1
podemos calular al Jacobiano de G usando esta ecuacin y la regla de la cadena
D
x
F(z, G(z))I
mm
+D
y
F(z, G(z))DG(z) = 0
de donde se obtiene el resultado
DG(z) = [D
y
F(z, G(z))]
1
D
x
F(z, G(z))
para todo z 2 W.
5.4. Ejercicios
Contracciones y teorema del punto jo
Ejercicio 1. Sea T una funcin tal que T
k
es contractante. Demuestre que T tiene un nico punto jo.
Ejercicio 2. Sea f : R
2
! R
2
una funcin contractante en B(0, c), con constante L conocida. Demuestre que si
kf(0)k < c(1 L) entonces existe un nico punto jo de f en dicha vecindad.
Ejercicio 3. Muestre que la ecuacin integral
u(x) =
1
2
_
1
0
e
xy
cos(u(y))dy
tiene una y slo una solucin en el espacio C([0, 1], R). Para ello dena el operador
F(u)(x) =
1
2
_
1
0
e
xy
cos(u(y))dy
y demuestre que es contractante. En C([0, 1], R) use la norma del supremo.
Ejercicio 4. Considere la ecuacin integral
u(x) = 5 +
_
x
0
sen(u(s) +x)ds
Muestre que la ecuacin posse una y solo una solucin en C([0, 1/2], R)
Ejercicio 5. Determinar para qu valores de a y b la funcin
T(x, y) = (a cos(x +y), b ln(1 +x
2
+y
2
))
es una contracin.
Ejercicio 6. Programe en su calculadora o en Matlab un algoritmo que encuentre la solucin del sistema del
ejemplo anterior. Para ello dena x
0
= 0, y
0
= 0, y genere una sucesin dada por la siguiente recurrencia:
x
n+1
= (1/2) cos(x
n
+y
n
)
y
n+1
= (1/3) ln(1 +x
2
+y
2
) + 5
Ejercicio 7. Sean g
i
: R
n
!R funciones de clase C
1
(R), 8i 2 {1, 2, . . . n}. Suponga adems que
max {krg
i
(x)k
1
} <
1
2n
8i 2 {1, 2, . . . n}
Pruebe que el sistema x
1
= g
1
(x), x
2
= g
2
(x), . . . x
n
= g
n
(x) tiene una nica solucin en R
n
, donde x =
{x
1
, x
2
, . . . x
n
}.
Indicacin. Recuerde que el espacio (R
n
, kk
1
) es de Banach.
129
FCFM - Universidad de Chile
Teorema de la funcin inversa
Ejercicio 8. Sea f : U !R
n
una funcin de clase C
1
en el abierto U R
n
. Sea a 2 U tal que f
0
(a) es invertible.
Muestre que
lm
r!0
vol(f(B(a, r))
vol(B(a, r)
= |detf
0
(a)|
Ejercicio 9. Como en el ejercicio anterior muestre que si f
0
(a) no es invertible entonces
lm
r!0
vol(f(B(a, r))
vol(B(a, r)
= 0
Ejercicio 10. Para
f(u, v) = (u + [log(v)]
2
, uw, w
2
)
1. Muestre que f no es inyectiva
2. Encuentre un dominio de manera que la funcin sea inyectiva en
3. Calcule D(f
1
)(1, 0, 1) cuando f se considera en .
Ejercicio 11. Sea f(x, y) = (x
2
y
2
, 2xy)
1. Demuestre que para todo (a, b) 6= (0, 0), f es invertible localmente en (a, b).
2. Demostrar que f no es inyectiva.
3. Calcular aproximadamente f
1
(3,01; 3,98). Use la frmula de Taylor. Note que f(1, 2) = (3, 4)
Ejercicio 12. Sean f(u, v) = (u
2
+u
2
v + 10v, u +v
3
)
1. Encuentre el conjunto de puntos en los cuales f es invertible localmente.
2. Compruebe que (1, 1) pertenece al conjunto obtenido en la parte 1).
3. Encuentre (aproximadamente) el valor de f
1
(11,8, 2,2).
Teorema de la funcin implcita
Ejercicio 13. Si f(
x
z
,
y
z
) = 0, Calcular
x
0z
0x
+y
0z
0y
Ejercicio 14. Sea f : R
2
!R tal que
f(xy, z 2x) = 0 (*)
Suponga que existe z(x
0
, y
0
) = z
0
tal que f(x
0
y
0
, z
0
2x
0
) = 0 y que para todo (x, y) en una vecindad de (x
0
, y
0
),
los puntos (x, y, z(x, y)) cumplen la ecuacin (*). Encuentre que condiciones debe satisfacer f para que se cumpla
lo anterior y demuestre que dad la condicin anterior la funcin z(x, y) cumple la igualdad
x
0
0z
0x
(x
0
, y
0
) y
0
0z
0y
(x
0
, y
0
) = 2x
0
130
5.4. Ejercicios
Ejercicio 15. La funcin z est denida por la siguiente ecuacin
f(x az, y bz) = 0
donde F es una funcin diferenciable. Encuentre a que es igual la expresin
a
0z
0x
+b
0z
0y
Ejercicio 16. Sea z = f(x, y) denida implcitamente por la ecuacin
x
2
ze
y
+y
2
e
x
+y = 1
Si g(u, v) = (u
2
+v + 1, v
2
), calcule
d
2
fg
dudv
(0, 0). Justique.
Ejercicio 17. Considere el siguiente sistema no-lineal:
x
2
1
x
2
+x
2
2
x
1
+y
2
2
y
1
+y
2
= 0
x
1
x
2
y
1
+x
2
y
1
y
2
+y
2
y
1
x
1
+y
2
x
1
x
2
= 0
1. Demuestre que es posible despejar (y
1
, y
2
) en funcin de (x
1
, x
2
) en torno a algn punto.
2. Encuentre los valores de :
0y
1
0x
2
(1, 1) ;
0y
2
0x
2
(1, 1)
Ejercicio 18. Sea z(x, y) una funcion diferenciable denida implicitamente por la ecuacion:
z = x f(
y
z
)
donde f : R !R es ua funcion derivable. Demuestre que
2(x, y) rz(x, y) = z(x, y)
Indicacin. Considere F : R
3
!R denida como F(x, y, z) = z x f(
y
z
)
Ejercicio 19. Considere el siguiente sistema no lineal:
sen(x
1
y
1
) +x
3
cos(y
2
) = 0
y
2
+x
2
1
+ (senh(x
2
))
2
= 0
Encuentre los valores de
dy1
dx2
(1, 0, 0) y
dy2
dx3
(1, 0, 0).
Indicacin. Considere la funcin
g : R
3
R
2
! R
2
(x, y) 7! (u(x, y), v(x, y))
con x = (x
1
, x
2
, x
3
), y = (y
1
, y
2
), u, v : R
3
R
2
!R son tales que
u(x, y) = sen(x
1
y
1
) +x
3
cos(y
2
)
v(x, y) = y
2
+x
2
1
+ (senh(x
2
))
2
131
FCFM - Universidad de Chile
Ejercicio 20. Mostrar que cerca del punto (x, y, u, v) = (1, 1, 1, 1) podemos resolver el sistema
xu +yvu
2
= 2
xu
3
+y
2
v
4
= 2
de manera nica para u y v como funciones de x e y. Calcular
du
dx
Ejercicio 21. Considere el sistema
x
4
+y
4
x
= u
sen(x) + cos(y) = v
Determine cerca de cuales puntos (x, y) podemos resolver x e y en trminos de u y v
Ejercicio 22. Analizar la solubilidad del sistema
3x + 2y +z
2
+u +v
2
= 0
4x + 3y +zu
2
+v +w + 2 = 0
x +z +w +u
2
+ 2 = 0
para u, v, w en trminos de x, y, z cerca de x = y = z = 0, u = v = 0 y w = 2.
Ejercicio 23. linea en blanco
1. Hallar
dy
dx
|
x=1
y
d
2
y
dx
2
|
x=1
si
x
2
2xy +y
2
+x +y 2 = 0
2. Hallar
dy
dx
y
d
2
y
dx
2
si
ln(
_
x
2
+y
2
) = a arctan

y
x

(a 6= 0)
3. Hallar
dz
dx
y
dz
dy
si
xcos(y) +y cos(z) +z cos(x) = 1
4. Las funciones y y z de la variable independiente x se dan por el sistema de ecuaciones xyz = a y x+y +z = b;
Hallar
dy
dx
,
dz
dx
,
d
2
y
dx
2
,
d
2
z
dx
2
.
Ejercicio 24. Sea la funcion z dada por la ecuacin
x
2
+y
2
+z
2
= c(ax +by +cz)
donde c es una funcin cualquiera diferenciable y a, b, c son constantes; demostrar que:
(cy bz)
0z
0x
+ (az cx)
0z
0y
= bx ay
Ejercicio 25. Demostrar que la funcin z, determinada por la ecuacin
y = xc(z) + (z)
Satisface la ecuacin
0
2
z
0x
2

0z
0y

2
2
0z
0x
0z
0y
0
2
z
0x0y
+
0
2
z
0y
2

0z
0x

2
= 0
132
5.4. Ejercicios
Ejercicio 26. Sea f(x, y, z) = 0 tal que sus derivadas parciales son distintas de cero. Por lo tanto es posible escribir:
x = x(y, z), y = y(x, z), z = z(x, y), donde estas funciones son diferenciables. Muestre que
0x
0y
0y
0z
0z
0x
= 1
Ejercicio 27. Muestre que las ecuaciones
x
2
y
2
u
3
+v
2
+ 4 = 0
2xy +y
2
2u
2
+ 3v
4
+ 8 = 0
determinan funciones u(x, y) y v(x, y) en torno al punto x = 2, y = 1 tales que u(2, 1) = 2 y v(2, 1) = 1.
Calcular
du
dx
y
dv
dy
133
CAPTULO 6
Complementos de Clculo Diferencial
Nos interesa extender algunas reglas de derivacin a casos ms generales que frecuentemente se utilizan en la
ingeniera y daremos los detalles del teorema del cambio de variables en integracin.
6.1. Reglas de derivacin adicionales
Teorema 6.1. (Regla de Leibniz de derivacin)
Sea f : R
2
!R de clase C
1
. , a : R !R funciones diferenciables. Entonces la funcin F : R !R denida por
F(x) =
_
o(x)
(x)
f(x, t)dt
es diferenciable y su derivada es
d
dx
_
o(x)
(x)
f(x, t)dt = f(x, a(x))a
0
(x) f(x, (x))
0
(x) +
_
o(x)
(x)
0
0x
f(x, t)dt
Demostracin. Denamos la funcin
G(z, x) =
_
z
0
f(x, t)dt
por el 1
er
teorema fundamental del clculo (teorema A.6) sabemos que
0
0z
G(z, x) = f(x, z)
demostremos que
0
0x
G(z, x) =
_
z
0
0
0x
f(x, t)dt
para ello notemos que
G(z, x +h) G(z, x) h
_
z
0
0
0x
f(x, t)dt
=
_
z
0
f(x +h, t) +f(x, t) h
0
0x
f(x, t)dt
=
_
z
0
_
1
0
(
0
0x
f(x +yh, t)
0
0x
f(x, t))hdydt
135
FCFM - Universidad de Chile
La funcin 0f/0x(, ) es continua, y por lo tanto, uniformemente continua sobre [x |h|, x +|h|] [0, z], asi, dado
- > 0, existe c > 0 tal que si k(x, y) ( x, y)k < c entonces |0f/0x(x, y) 0f/0x( x, y)| < -/z. Entonces si |h| < c
se tiene que
|
0
0x
f(x +yh, t)
0
0x
f(x, t)| < - 8t 2 [0, z] 8y 2 [0, 1]
lo que implica que
|G(z, x +h) G(z, x) h
_
z
0
0
0x
f(x, t)dt| < -|h|
si |h| < c de donde se sigue el resultado. Luego
_
o(x)
(x)
f(x, t)dt = G(a(x), x) G((x), x)
y aplicando el resultado anterior se tiene que
d
dx
_
o(x)
(x)
f(x, t)dt
=
0
0z
G(a(x), x)a
0
(x) +
0
0x
G(a(x), x)
dx
dx

0
0z
G((x), x)
0
(x) . . .
. . .
0
0x
G(a(x), x)
dx
dx
= f(x, a(x))a
0
(x) f((x), x)
0
(x) +
_
o(x)
0
0f
0x
(x, t)dt
_
(x)
0
0f
0x
(x, t)dt
= f(x, a(x))a
0
(x) f(x, (x))
0
(x) +
_
o(x)
(x)
0
0x
f(x, t)dt

Teorema 6.2. Sean A R


n
y B R
m
abiertos y f : A B ! R de clase C
1
. Sea Q B conjunto elemental
cerrado. Entonces la funcin
F(x) =
_
Q
f(x, y)dy
es de clase C
1
y
0
0x
i
F(x) =
_
Q
0
0x
i
f(x, y)dy
para todo i 2 {1, . . . , n}
Demostracin. Sea x
0
2 A
F(x
0
+h) F(x
0
)
n

i=1
h
i
_
Q
0
0x
i
f(x
0
, y)dy
=
_
Q
f(x
0
+h, y) f(x
0
, y)
n

i=1
h
i
0f
0x
i
(x
0
, y)dy
=
_
Q
(f(x
0
+h, y) f(x
0
, y) r
x
f(x
0
, y) h)dy
=
_
Q
_
1
0
[(r
x
f(x
0
+th, y) r
x
f(x
0
, y)) h] dtdy
136
6.2. La frmula de cambio de variables
La funcin r
x
f(, ) es continua en

B(x
0
, 1) Q que es compacto, por cual que es uniformemente continua. Luego
dado - > 0 existe c > 0 tal que si k(x, y) (x

, y

)k < c ) kr
x
f(x, y) r
x
f(x

, y)k < -/vol(Q). entonces si


khk < c se tiene que
kr
x
f(x
0
+th, y) r
x
f(x
0
, y)k <
-
vol(Q)
8 t 2 [0, 1] 8 y 2 Q
lo que implica que
|F(x
0
+h) F(x
0
)
n

i=1
h
i
_
Q
0f
0x
i
(x
0
, y)dy|

_
Q
_
1
0
krf(x
0
+th, y) rf(x
0
, y)kkhkdtdy

_
Q
_
1
0
-
vol(Q)
khk = -khk
de este modo

F(x
0
+h) F(x
0
)
n

i=1
h
i
_
Q
0f
0x
i
(x
0
, y)dy

-khk
siempre que khk < c, es decir, F es diferenciable es x
0
y
0
0x
i
F(x
0
) =
_
Q
0
0x
i
f(x
0
, y)dy
para todo i 2 {1, . . . , n}. La continuidad de las derivadas parciales queda de ejercicio.
6.2. La frmula de cambio de variables
Recordemos la frmula de cambio de variables
_
f()
g(x)dx =
_

g(f(y))| det Df(y)|dy


Para dar sentido a la frmula se requiere
f : U ! V biyectiva de clase C
1
y con inversa de clase C
1
. (Esta clase de funciones recibe el nombre de
difeomorsmo)
es un compacto, cuya frontera es la unin nita de grafos de funciones continuas
g : f() !R es continua.
En estas circunstancias las funciones
g

(x) =

0 x 2/ f()
g(x) x 2 f()
y
(g f)

(y)| det Df(y)| =

0 y 2/
g(f(y))| det Df(y)| y 2
son integrables.
Para demostrar la frmula de cambio de variables, tenemos que dar una denicin de integrabilidad un poco ms
fuerte.
Denicin 6.1. A R
n
se dice v-medible si A es compacto y su frontera es la unin nita de grafos de funciones
continuas.
137
FCFM - Universidad de Chile
Ejemplo 6.1. A = [a, b]
n
con a y b nitos es v-medible
Ejemplo 6.2. Si A es v-medible, y f es un difeomorsmo, entonces f(A) en v-medible
Observamos que si A es v-medible, entonces podemos denir el volumen de A como
vol(A) =
_
1
A
(x)dx
donde
1
A
(x) =

0 x 2/ A
1 x 2 A
Denicin 6.2. Sea A un conjunto v-medible. Una descomposicin D de A es una coleccin de conjuntos C
1
, . . . , C
k
tales que
C
i
es v-medible, i = 1, . . . , k
A = C
1
[ . . . [ C
k
int(C
i
\ C
j
) = c, si i 6= j
Se dene tambin el diametro de la descomposicin D como
diam(D) = max
1ik
diam(C
i
)
donde el diametro de un conjunto A v-medible es igual a diam(A) = sup{kx yk : x, y 2 A}
Dada la descomposicin D de A, consideremos el vector = (
1
, . . . ,
k
) tal que
i
2 C
i
8i 2 {1, . . . , k}
Denicin 6.3. Sea f : A !R una funcin acotada. Denimos la suma de Riemann asociada a (D, ) como
S(f, D, ) =
k

i=1
f(
i
)vol(C
i
)
Denicin 6.4. Decimos que f es v-integrable sobre A, conjunto v-medible, si existe I 2 R tal que
8- > 0 9c > 0 tal que 8D desc. de A,
(diam(D) < c ^ asociado a D) )|S(f, D, ) I| < -
Si tal I existe, es nico y denotamos I =
_
A
f(x)dx. La demostracin de esto ltimo queda de tarea.
Con esta denicin podemos seguir paso a paso la demostracin ya hecha para probar la proposicion siguiente
Proposicin 6.1. f : A !R continua ) f es v-integrable
Tambin se puede demostrar que si f : A ! R es acotada y continua salvo sobre el grafo de un nmero nito de
funciones continuas, entonces f es v-integrable.
Teorema 6.3. (Teorema del cambio de variables)
Sea v-medible y f : U !V un difeomorsmo, U. Sea g : f() !R v-integrable. Entonces g f : !R es
v-integrable y
_
f()
g(x)dx =
_

g(f(y))| det Df(y)|dy


138
6.2. La frmula de cambio de variables
La demostracin del teorema tiene dos partes: Primero el caso en que f es una funcin lineal y luego el caso general.
Demostracin. (Caso f lineal)
La demostracin ya fue hecha para R
3
, y se extiende de manera anloga a R
n
, por lo que supondremos cierto el
resultado en el caso lineal. Asi tenemos, si T es lineal que
vol(T(A)) =
_
T(A)
1 =
_
A
1| det T| = vol(A)| det T| 8A v-medible

Para el caso general necesitamos dos lemas previos que se describen a continuacin
Lema 6.1. Sea U abierto, X U compacto y , : U U ! R continua tal que ,(x, x) = 1 8x 2 U. Entonces
8- > 0 9c > 0 tal que
x, y 2 X kx yk < c )|,(x, y) 1| < -
Demostracin. Puesto que X es compacto, entonces X X U U tambin es compacto, por lo que , ser
uniformemente continua sobre X X. Luego, dado - > 0 9c > 0 tal que kx zk +ky wk = k(x, y) (z, w)k <
c ) |,(x, y) ,(z, w)| < -, en particular, si kx yk < c entonces k(x, y) (x, x)k < c lo que implica que
|,(x, y) ,(x, x)| = |,(x, y) 1| < -
Lema 6.2. Sean U, V R
n
abiertos y f : U !V un difeomorsmo de clase C
1
. Sea X U un compacto v-medible
y M = sup{kDf(x)k : x 2 X} (kk es cualquier norma matricial, por ejemplo kAk = max
1in
{

n
j=1
|a
ij
|}).
Entonces,
vol(f(X)) M
n
vol(X)
Demostracin. Demostremos primero el caso en que X es un cubo, con centro p y lado 2a, es decir,
X = [p
1
a, p
1
+a] . . . [p
n
a, p
n
+a] =
n

i=1
[p
i
a, p
i
+a]
Por la desigualdad del valor medio tenemos que |f
i
(x) f
i
(p)| Ma y por lo tanto
kf(x) f(p)k
1
Ma 8x 2 X
es decir, f(x) est a distancia a lo ms Ma de f(p) para todo x 2 X , entonces
f(X) [f
1
(p) Ma, f
1
(p) +Ma] . . . [f
n
(p) Ma, f
n
(p) +Ma]
=
n

i=1
[f
i
(p) Ma, f
i
(p) +Ma]
o sea que vol(f(X)) vol(

n
i=1
[f
i
(p) Ma, f
i
(p) +Ma]) = M
n
(2a)
n
= M
n
vol(X)
El caso general lo hacemos por aproximacin. Sea - > 0, entonces existe un abierto tal que X U y
kDf(x)k M + - para todo x 2 (Por la continuidad de Df).
El conjunto X se puede cubrir por un nmero nito de cubos con interiores disjuntos contenidos en
X
k
_
i=1
C
i
con int(C
i
) \ int(C
j
) = c si i 6= j. Adems los cubos se pueden suponer tan pequeos que
k

i=1
vol(C
i
) vol(X) + -
139
FCFM - Universidad de Chile
Luego
f(X)
k
_
i=1
f(C
i
) )vol(f(X))
k

i=1
vol(f(C
i
))
k

i=1
M
n
i
vol(C
i
)
donde M
i
= sup{kDf(x)k : x 2 C
i
} M+- por lo tanto vol(f(X)) (M+-)
n
(vol(X)+-). Como esta desigualdad
es vlida para todo - > 0 concluimos que
vol(f(X)) M
n
vol(X)

Demostracin. (Caso general)


Para nalizar con la demostracin en el caso general, consideremos una descomposicin D = {C
1
, . . . , C
k
} de y
puntos
i
2 C
i
para i : {i, . . . , k}. Entonces los conjuntos f(C
i
) denen una descomposicin de f() y los puntos
f(
i
) 2 f(C
i
). A esta descomposicin la denotamos por Df. Usando la desigualdad del valor medio se puede
demostrar que existen constantes a
1
, a
2
tales que
a
1
diam(Df) diam(D) a
2
diam(Df)
gracias a que es compacto. Denamos T
i
= f
0
(
i
) 2 M
nn
para i 2 {1, . . . , k}, y
N
i
= sup{kT
1
i
f
0
(x)k : x 2 C
i
} M
i
= sup{kT
i
(f
1
)
0
(y)k : y 2 f(C
i
)}
con kk la misma del lema anterior. Entonces se tiene que
vol(f(C
i
)) = vol(T
i
T
1
i
f(C
i
))
= | det(T
i
)|vol(T
1
i
f(C
i
))
| det(T
i
)|N
n
i
vol(C
i
)
de igual manera
vol(C
i
) | det(T
1
i
)|vol(f(C
i
))M
n
i
De lo anterior se obtiene que
vol(C
i
)| det(T
i
)| vol(f(C
i
)) vol(f(C
i
))(M
n
i
1)
vol(C
i
)| det(T
i
)| vol(f(C
i
)) vol(C
i
)| det(T
i
)|(1 N
n
i
)
Denamos tambin ,(x, y) = k(f
0
(y))
1
f
0
(x)k, de este modo ,(x, x) = 1 para todo x 2 .
Luego, gracias a los lemas anteriores, dado - > 0 existe c > 0 tal que si diam(D) < c entonces
|N
n
i
1| < - ^ |M
n
i
1| < -
De todo lo anterior, se concluye que existe una constante B tal que
|vol(C
i
)| det(T
i
)| vol(f(C
i
))| < B-vol(f(C
i
))
140
6.3. Ejercicios
Segn la denicin de v-integrable debemos comparar la suma de Riemann de h = gf| det Df| asociada la particin
D y a los puntos con el supuesto valor de la integral: I =
_
f()
g(x)dx

S(h, D, )
_
f()
g(x)dx

i=1
g(f(
i
))| det(T
i
)|vol(C
i
)
_
f()
g(x)dx

i=1
g(f(
i
))| det(T
i
)|vol(C
i
)
k

i=1
g(f(
i
))vol(f(C
i
))

+. . .
+

i=1
g(f(
i
))vol(f(C
i
))
_
f()
g(x)dx

B-
k

i=1
|g(f(
i
))|vol(f(C
i
)) +. . .
+

i=1
g(f(
i
))vol(f(C
i
))
_
f()
g(x)dx

B-
k

i=1
|g(f(
i
))|vol(f(C
i
)) +

S(g, Df, f())


_
f()
g(x)dx

En la ltima desigualdad, gracias a que g es v-integrable sobre f() tenemos que la sumatoria de la izquierda
est acotada y el trmino de la derecha se puede hacer tan pequeo como se desee tomando un c sucientemente
pequeo. Por lo tanto dado - > 0 existe

c > 0 tal que si diamD <

c, entonces

S(h, D, )
_
f()
g(x)dx

< -
es decir, g f| det Df| es v-integrable en y
_

g f(y)| det Df(y)|dy =


_
f()
g(x)dx
pues la integral es nica.
6.3. Ejercicios
Reglas de derivacin adicionales
Ejercicio 1. Sea f(x, y, z, t) =
|(1+|x+y|)
_
e
x+y+z
(xt +log
z
(t) +z)dt. Calcular
df
dx
,
df
dz
,
df
dt
en aquellos puntos donde existan.
Ejercicio 2. Considere la siguiente ecuacin integral
u(x) = 5 +
_
x
0
sen(u(s) +x)ds
En el captulo 5 se demostr que tiene una nica solucin en C([0, 1/2], R).
Derivando dos veces la ecuacin integral (justique por que se puede derivar), encuentre la ecuacin diferencial que
satisface su solucin
141
FCFM - Universidad de Chile
Ejercicio 3. Considere las funciones
F(x) =
_
g(x)
0
f(x +t, xt)dt, G(x, y) =
_
y
2
0
g(x, y, z)dz
Calcule F
0
(x) y
dG
dy
(x, y)
Ejercicio 4. Considere la funcin
u(x, t) =
1
2
[f(x +ct) +f(x ct)] +
1
2c
x+ct
_
xct
g(s)ds
+
1
2c
t
_
0
x+c(ts)
_
xc(ts)
F(o, s)dods
Muestre que
0
2
u
0t
2
c
2
0
2
u
0x
2
= F(x, t)
u(x, 0) = f(x)
0u
0t
(x, 0) = g(x)
Ejercicio 5. Se desea resolver la ecuacin de ondas
0
2
c
0x
2

1
c
0
2
c
0t
2
= 0
donde c es una constante distinta de 0.
Haga el cambio de variables = x +ct y = x ct de modo que se obtenga
c(x, t) = ((x, t), (x, t))
donde (, ) es la incgnita. En base a este cambio de variables demuestre que:
0
2
c
0x
2

1
c
0
2
c
0t
2
= 4
0
2

00
((x, y), (x, y))
y en base a este resultado demuestre que toda solucin c de clase C
2
de la ecuacin de ondas se escribe
c(x, t) = f() +g()
con f y g funciones de variable real.
142
CAPTULO 7
Teorema de los Multiplicadores de Lagrange
7.1. Condiciones de primer orden para extremos restringidos
7.1.1. Concepto de supercie
Por ahora nos restringiremos al caso de un problema de maximizacin o minimizacin que consta nicamente de
restricciones de igualdad para extendernos de manera gradual a casos ms generales. De hecho, rara vez un sistema
no tiene restricciones y por esto nos interesa ampliar lo que ya hemos visto sobre extremos restringidos.
La pregunta bsica que queremos responder en esta seccin es Cundo una ecuacin como g(x, y, z) = 0 dene una
supercie?
Los dos ejemplos siguientes son muy elocuentes:
1. x
2
+y
2
+z
2
1 = 0
2. x(z x
2
+y
2
) = 0
x
2
+y
2
+z
2
1 = 0 ciertamente es una supercie (es la supercie de la esfera de radio 1 y centro en el origen). Sin
embargo x(z x
2
+y
2
) = 0 no es una supercie.
Este ejemplo nos muestra que la respuesta es local. El problema con la supercie 2. ocurre en el punto (0, 0, 0)
donde rg(0) = 0.
Denicin 7.1. En general, si el punto (x
0
, y
0
, z
0
) es tal que g(x
0
, y
0
, z
0
) = 0 y rg(x
0
, y
0
, z
0
) 6= 0 entonces la
ecuacin g(x, y, z) = 0 dene una supercie, al menos en una vecindad de (x
0
, y
0
, z
0
); en efecto, si rg(x
0
, y
0
, z
0
) 6= 0,
entonces alguna derivada parcial es no nula, supongamos sin perdida de generalidad que
0g
0y
(x
0
, y
0
, z
0
) 6= 0
entonces, por el teorema de la funcin implcita, es posible despejar y en funcin de (x, z), es decir, podemos escribir
y = y(x, z), y por lo tanto el conjunto S = {(x, y, z) 2 R
3
: g(x, y, z) = 0} es localmente el grafo de una funcin, es
decir, es una supercie.
7.1.2. Caso particular del Teorema de los Multiplicadores de Lagrange
Nota 7.1. Considerando la denicin 2.9, en todo lo que sigue en este captulo, los teoremas que presentamos
para maximizacin (minimizacin) son vlidos para la minimizacin (maximizacin), esto se debe a que un criterio
de maximizacin sobre una funcin f cncava (convexa) es anlogo a la minimizacin de f que es una funcin
convexa (cncava).
143
FCFM - Universidad de Chile
Denicin 7.2. (Espacios normal y tangente, caso particular)
Sean g : R
3
! R una funcin diferenciable, (x
0
, y
0
, z
0
) 2 R
3
tal que g(x
0
, y
0
, z
0
) = 0, y supongamos que
rg(x
0
, y
0
, z
0
) 6= 0. Llamemos S a la supercie que dene la ecuacin g(x, y, z) = 0 en torno a (x
0
, y
0
, z
0
). Se
dene el espacio normal a S en el punto (x
0
, y
0
, z
0
) como el espacio vectorial generado por el gradiente de g en el
punto (x
0
, y
0
, z
0
) y se denota N
s
(x
0
, y
0
, z
0
).
N
s
(x
0
, y
0
, z
0
) = hrg(x
0
, y
0
, z
0
)i
El espacio tangente a S en el punto (x
0
, y
0
, z
0
) se denota T
s
(x
0
, y
0
, z
0
) y se dene como el ortogonal del espacio
normal
T
s
(x
0
, y
0
, z
0
) = N
s
(x
0
, y
0
, z
0
)
?
= {(x, y, z) 2 R
3
: (x, y, z) rg(x
0
, y
0
, z
0
) = 0}
Nota 7.2. Los espacios normal y tangente son espacios vectoriales. Estos no pasan necesariamente por el punto
(x
0
, y
0
, z
0
).
Con la denicin anterior, si o : A R ! R
3
es una funcin tal que o(t) 2 S 8t, y o(0) = (x
0
, y
0
, z
0
), entonces
o
0
(0) 2 T
s
(x
0
, y
0
, z
0
).
Es posible alcanzar cada d 2 T
s
(x
0
, y
0
, z
0
) de esta forma, con una funcin o adecuada?
Supongamos que rg(x
0
, y
0
, z
0
) 6= 0. Sea d 2 T
s
(x
0
, y
0
, z
0
). Elijamos b 6= 0 de manera tal que
b ? h{v, rg(x
0
, y
0
, z
0
)}i
Siempre existe tal b pues el espacio vectorial h{d, rg(x
0
, y
0
, z
0
)}i tiene dimensin 2. Consideremos el sistema de
ecuaciones
g(x, y, z) = 0
(x x
0
, y y
0
, z z
0
) b = 0
el Jacobiano del sistema anterior en el punto (x
0
, y
0
, z
0
) es

0g/0x(x
0
, y
0
, z
0
) 0g/0y(x
0
, y
0
, z
0
) 0g/0z(x
0
, y
0
, z
0
)
b
x
b
y
b
z

Como b ? rg(x
0
, y
0
, z
0
), la matriz Jacobiana tiene rango 2, y por lo tanto siempre es posible escoger dos columnas
tales que la matriz resultante sea invertible. El teorema de la funcin implcita nos asegura entonces que podremos
siempre despejar dos variables en funcin de una. Supongamos sin perdida de generalidad que es posible despejar
(y, z) en funcin de x, entonces
g(x, y(x), z(x)) = 0
(x x
0
, y(x) y
0
, z(x) z
0
) b = 0
Si se dene o(t) = (t +x
0
, y(t +x
0
), z(t +z
0
)), entonces
g(o(t)) = 0 ^ (o(t) (x
0
, y
0
, z
0
)) b = 0
para todo t en una vecindad del cero. La funcin o(t) es de clase C
1
pues las funciones y(x), z(x) lo son, por lo
tanto, derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene
rg(x
0
, y
0
, z
0
) o
0
(0) = 0 ^ o
0
(0) b = 0
entonces por la eleccin de b no queda otra posibilidad ms que o
0
(0) k d.
Deniendo
o(t) = o(kdkt/ko
0
(0)k)
entonces o
0
(0) = d y g( o(t)) = 0 para todo t en una vecindad del cero. De esta forma concluimos que
T
s
(x
0
, y
0
, z
0
) = {o
0
(0)/o(t) 2 S 8t , o(0) = (x
0
, y
0
, z
0
)}
144
7.1. Condiciones de primer orden para extremos restringidos
Teorema 7.1. (Teorema de los multiplicadores de Lagrange, caso particular)
Consideremos el siguiente problema de optimizacin
P) mn
x,y,z
f(x, y, z)
s.a g(x, y, z) = c
con f, g funciones diferenciables. Si (x
0
, y
0
, z
0
) es una solucin del problema P), entonces existe ` 2 R tal que
rf(x
0
, y
0
, z
0
) = `rg(x
0
, y
0
, z
0
)
Demostracin. Sea o : A R ! R
3
tal que g(o(t)) = 0 y o(0) = (x
0
, y
0
, z
0
), es decir, o(t) 2 S para t en una
vecindad del origen. Como (x
0
, y
0
, z
0
) es un mnimo local de f restringido a S, entonces
d
dt
f(o(t))

t=0
= rf(x
0
, y
0
, z
0
) o
0
(0) = 0
por lo hecho anteriormente, esto equivale a que
rf(x
0
, y
0
, z
0
) d = 0 8v 2 T
s
(x
0
, y
0
, z
0
) ) rf(x
0
, y
0
, z
0
) 2 T
s
(x
0
, y
0
, z
0
)
?
= N
s
(x
0
, y
0
, z
0
)
y entonces por denicin de N
s
(x
0
, y
0
, z
0
) existe ` 2 R tal que
rf(x
0
, y
0
, z
0
) = `rg(x
0
, y
0
, z
0
)

7.1.3. Caso general del Teorema de los Multiplicadores de Lagrange


Nota 7.3. En lo que sigue denotaremos I = {1, . . . , k}.
Denicin 7.3. (Espacios normal y tangente, caso general)
Sea g
i
(x) : R
n
! R 8i 2 I una funcin diferenciable, x
0
2 R
n
tal que g
i
(x
0
) = 0 8i 2 I, y supongamos que
rg
i
(x
0
) 6= 0. Llamemos S a la supercie en R
n
que dene la ecuacin g
i
(x) = 0 en torno a x
0
. Por analoga con el
caso particular denimos el espacio normal a S en x
0
como
N
s
(x
0
) = h{rg
1
(x
0
), . . . rg
k
(x
0
)}i
y el espacio tangente a S en x
0
como
T
s
(x
0
) = N
s
(x
0
)
?
= {d 2 R
n
: d rg
i
(x
0
) = 0 8i 2 I}
Lema 7.1. 8d 2 T
s
(x
0
) existe o : A R ! R
n
, 0 2 A con g
i
(o(t)) = 0 8t 2 A , o(t) 2 S 8t 2 A y adems
o(0) = x
0
tal que o
0
(0) = d. Es decir
T
s
(x
0
) = {o
0
(0) : o(t) 2 S 8t , o(0) = x
0
}
Demostracin. Sean d 2 T
s
(x
0
) y {b
1
, . . . , b
nk1
} una base ortonormal del espacio
h{d, rg
1
(x
0
), . . . , rg
k
(x
0
)}i
?
Consideremos el sistema de n 1 ecuaciones
g
1
(x) = 0
.
.
.
(x x
0
) b
1
= 0
.
.
.
(x x
0
) b
nk1
= 0
145
FCFM - Universidad de Chile
El vector x
0
satisface las ecuaciones, y la matriz Jacobiana del sistema es
_
_
_
_
_
_
_
_
_
_
rg
1
(x
0
)
.
.
.
rg
k
(x
0
)
b
1
.
.
.
b
nk1
_
_
_
_
_
_
_
_
_
_
que es una matriz de rango n1, por lo que podemos seleccionar n1 columnas tales que la matriz resultante sea
invertible, y gracias al teorema de la funcin implcita (teorema 5.3) podemos despejar n 1 variables en funcin
de la restante en una vecindad de x
0
. Entonces existe o : A !R
n
, con A = (-, -), denido de manera anloga al
caso particular, tal que g
i
(o(t)) = 0 8t 2 A y (o(t) x
0
) b
i
= 0 8t, i 2 {1, . . . , n k 1}.
Derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene que
rg
i
(x
0
) o
0
(0) = 0 8i 2 {1, . . . , k} ^ o
0
(0) b
j
= 0 8j 2 {1, . . . , n k 1}
lo que implica que o
0
(0) k d. Deniendo o(t) = o(kdkt/ko
0
(0)k) tenemos que o
0
(0) = d, lo que nos da el lema,
pues la otra inclusin {o
0
(0) : o(t) 2 S 8t, o(0) = x
0
} T
s
(x
0
) es directa (anloga a la demostracin en el caso
particular).
Teorema 7.2. (Teorema de los multiplicadores de Lagrange,caso general)
Consideremos el siguiente problema de optimizacin
P) mn
x
f(x)
s.a g
i
(x) = c 8i 2 I
(7.1)
donde f, g
i
: R
n
! R son funciones diferenciables. Supongamos que f alcanza un mnimo local en x
0
2 S, donde
S = {x 2 R
n
: g
i
(x) = 0}, y que Dg(x
0
) 2 M
kn
tiene rango k. Entonces existe un vector 2 R
k
tal que
rf(x
0
) =
k

i=1
`
i
rg
i
(x
0
)
Puesto que Dg(x
0
) es de rango k, el espacio N
s
(x
0
) es un espacio vectorial con dimN
s
(x
0
) = k, y por lo tanto
dimT
s
(x
0
) = n k.
Demostracin. A partir del lema 7.1 tenemos que 8o : A R !R
n
tal que g(o(t)) = 0 ^ o(0) = x
0
d
dt
f(o(t))

t=0
= rf(x
0
) o
0
(0) = 0
puesto que x
0
es un mnimo local de f restringido a S. Lo anterior es equivalente, gracias al lema, a que rf(x
0
)d =
0 8d 2 T
s
(x
0
), o sea, rf(x
0
) 2 N
s
(x
0
) lo que implica que
rf(x
0
) =
k

i=1
`
i
rg
i
(x
0
)
para ciertos `
1
, . . . , `
k
2 R, que es lo que se quera demostrar.
7.1.4. Consideraciones adicionales
Los teoremas 7.1 y 7.2 dan una condicin necesaria de optimalidad con restricciones de igualdad. Tambin son
vlidos para un problema de maximizacin, esto porque de acuerdo a la denicin de funcin convexa (denicin
2.6) tenemos que minimizar una funcin f convexa equivale a maximizar la funcin f que resulta ser cncava.
146
7.1. Condiciones de primer orden para extremos restringidos
Sea x
0
un mnimo de f restringida a S, se cumple que
rf(x
0
) =
k

i=1
`
i
rg
i
(x
0
)
Para la maximizacin tendramos lo siguiente
rf(x
0
) =
k

i=1
`
i
rg
i
(x
0
)
Esto sugiere que si escribimos el Lagrangeano para el caso de la minimizacin como
L(x, ) = f(x)
k

i=1
`
i
g
i
(x)
Para un problema de maximizacin debe expresarse
L(x, ) = f(x) +
k

i=1
`
i
g
i
(x)
En la prctica, la ventaja que genera el cambio de signo es que la interpretacin de los multiplicadores de Lagrange
es directa en problemas de maximizacin y minimizacin. Antes de dar la interpretacin presentaremos algunos
ejemplos que nos mostrarn esto en el camino para formalizar el resultado con el teorema de la envolvente. Al
momento de resolver no hay diferencia para el caso en que trabajamos con restricciones de igualdad.
Nota 7.4. Ninguna de las condiciones del teorema puede relajarse y adems el teorema no nos garantiza que los
multiplicadores sean no nulos. Si sucede que, por ejemplo, la matriz que dene Dg(x
0
) no es de rango completo (no
es de rango k) o los gradientes de la funcin objetivo y las restricciones son linealmente dependientes, el sistema
que denen las condiciones de primer orden de la funcin Lagrangeano no tiene solucin.
La condicin de independencia lineal entre los gradientes de la funcin objetivo y las restricciones se tiene particu-
larmente en el caso en que el nmero de restricciones es estrictamente menor que la dimensin del espacio sobre el
cual trabajamos. De esto es que la hiptesis de independencia lineal resulta muy restrictiva.
Los dos ejemplos que siguen son ilustrativos de lo que pasa cuando no se cumplen las condiciones del teorema o al
menos un multiplicador se anula.
Ejemplo 7.1. Consideremos el problema
mn
x,y
x +y
2
s.a x y
2
= 0
Observemos que rf(x, y)|
(0,0)
= (1, 0) y rg(x, y)|
(0,0)
= (1, 0), por lo que los gradientes son linealmente depen-
dientes y no se cumple que
rf(x, y)|
(0,0)
`rg(x, y)|
(0,0)
= (0, 0)
a menos que ` = 1. Esto hace que el sistema que denen las condiciones de primer orden del Lagrangeano no tenga
solucin (el par (1, 0) no cumple la restriccin del problema).
Ejemplo 7.2. Consideremos el problema
mn
x,y
x
2
+y
2
s.a x = 0
Observemos que rf(x, y)|
(0,0)
= (0, 0) y rg(x, y)|
(0,0)
= (1, 0), entonces no se cumple que
rf(x, y)|
(0,0)
`rg(x, y)|
(0,0)
= (0, 0)
a menos que ` = 0. Esto hace que el sistema que denen las condiciones de primer orden del Lagrangeano no tenga
solucin.
147
FCFM - Universidad de Chile
7.2. Condiciones de segundo orden para extremos restringidos
Denicin 7.4. Para el caso de minimizacin deniremos el conjunto de direcciones crticas como
K(x
0
) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rf(x
0
) d 0}
Mientras que para el caso de maximizacin deniremos el conjunto de direcciones crticas como
K(x
0
) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rf(x
0
) d 0}
Ya vimos un teorema que nos da las condiciones de 2
do
orden (teorema 2.13) el cual lo podemos enunciar, con una
hiptesis menos estricta, de la siguiente forma
Teorema 7.3. Sea x
0
un mnimo local del problema (7.1) y supongamos que existe 2 R
k
tal que
rf(x
0
) +
k

i=1
`
i
rg
i
(x
0
) = 0 8i 2 I
considerando que {rg
1
(x
0
), . . . , rg
k
(x
0
)} es linealmente independiente. Entonces 8d 2 K(x
0
) se cumple que la
forma cuadrtica d
t
(H
x
L(x
0
, ))d es semi denida positiva, es decir
d
t
(H
x
L(x
0
, ))d 0
Demostracin. Sean f, g
i
8i 2 I funciones de clase C
2
. Denamos o : A R !R
n
tal que o(0) = x
0
y g(o(t)) = 0,
es decir o(t) 2 S. Entonces por la convexidad de f
d
2
dt
2
f(o(t))

t=0
0
y por denicin
d
2
dt
2
f(o(t))

t=0
= d
t
1
(Hf(x
0
))d
1
+rf(x
0
) d
2
0 (*)
Como L(x
0
, ) = f(x
0
) +

k
i=1
`
i
g
i
(x
0
) tenemos que
rf(x
0
) +
t
rg(x
0
) = 0
donde 2 R
k
y g(x
0
) = (g
1
(x
0
), . . . , g
k
(x
0
)). Consideremos que

t
rg(x
0
) =
t
rg(o(t)) = 0
y diferenciando con respecto a t se obtiene
d
t
1
(
t
Hg(x
0
))d
1
+
t
rg(x
0
) d
2
= 0 (**)
Sumando (**) a (*)
d
t
1
(Hf(x
0
) +
t
Hg(x
0
))d
1
+ (rf(x
0
) +
t
rg(x
0
)
. .
0
) d
2
0
d
t
1
(H
x
L(x
0
, ))d
1
0
Como d
1
es arbitrario en K(x
0
) se tiene que el resultado es vlido para cualquier d 2 K(x
0
) y llegamos a
d(H
x
L(x
0
, ))d 0, d 2 K(x)

148
7.2. Condiciones de segundo orden para extremos restringidos
Teorema 7.4. Sea x
0
un mximo local de un problema de maximizacin con la estructura del problema (7.1) y
supongamos que existe 2 R
k
tal que
rf(x
0
)
k

i=1
`
i
rg
i
(x
0
) = 0 8i 2 I
considerando que {rg
1
(x
0
), . . . , rg
k
(x
0
)} es linealmente independiente. Entonces 8d 2 K(x
0
) se cumple que la
forma cuadrtica d
t
(H
x
L(x
0
, ))d es semi denida negativa, es decir
d
t
(H
x
L(x
0
, ))d 0
Demostracin. Es anloga a la del teorema 7.3. Basta con tomar f cncava y como f es convexa se concluye.
Ahora formularemos el teorema 2.13 tal como se vio en el captulo 4.
Teorema 7.5. Sea x
0
un vector factible del problema (7.1) y supongamos que existe 2 R
k
tal que
rf(x
0
) +
k

i=1
`
i
rg
i
(x
0
) = 0 8i 2 I
Para todo d 2 K(x
0
) \ {0} la forma cuadrtica d
t
(H
x
L(x
0
, ))d es denida positiva, es decir
d
t
(H
x
L(x, ))d > 0
Entonces x
0
es un mnimo local estricto.
Demostracin. Consideremos que f es estrictamente convexa y supongamos que x
0
no es un mnimo estricto de f
restringida a S. Escogamos {x
n
}
n2N
en S tal que x
n
!x
0
y f(x
n
) f(x
0
). Sea x
n
= x
0
+
n
d
n
con
n
> 0 y
d
n
=
x
n
x
0
kx
n
x
0
k
, kd
n
k = 1
Se tendr que
n
= kx
n
x
0
k,
n
!0 y {d
n
} es acotada por lo que tiene una subsucesin convergente a d
0
.
Como {x
n
} 2 S se tiene que g
i
(x
n
) = 0 8i 2 I. Denamos g(x
0
) = (g
1
(x
0
), . . . , g
k
(x
0
)) y de esta forma
g(x
n
) g(x
0
) = 0 ) g(x
0
+
n
d
n
) g(x
0
) = 0
si dividimos esto por
n
, tal que
n
!0, en la medida que n !1 se obtiene rg(x
0
) d
0
= 0.
Usando el teorema de Taylor (teorema 2.2), para todo i 2 I se cumple
g
i
(x
n
) g
i
(x
0
) =
n
rg
i
(x
0
) d
n
+

2
n
2
d
t
n
(Hg
i
(x
a
))d
n
= 0 (*)
y tambin se tiene que
f(x
n
) f(x
0
) =
n
rf(x
0
) d
n
+

2
n
2
d
t
n
(Hf(x
b
))d
n
0 (**)
con x
a
= x
n
+(1 )x
0
, 2]0, 1[ y x
b
= ax
n
+(1 a)x
0
, a 2]0, 1[, es decir x
a
y x
b
son combinaciones convexas
de x
0
y x
n
.
Consideremos
1
n
kx
n
x
0
k
2
f(x
n
) f(x
0
), entonces
1
n
kx
n
x
0
k
2
0. A partir de (**)

n
rf(x
0
) d
n
+

2
n
2
d
t
n
(Hf(x
b
))d
n

1
n
kx
n
x
0
k
2
149
FCFM - Universidad de Chile
Multiplicando (*) por `
i
y aplicando la sumatoria

k
i=1
() para agregar las k restricciones formamos lo siguiente

t
(g(x
n
) g(x
0
)) =
n

t
rg(x
0
) d
n
+

2
n
2
d
t
n
(
t
Hg(x
a
))d
n
= 0 (***)
Sumando (***) a (**) se obtiene

n
(rf(x
0
) +
t
rg(x
0
)
. .
0
) d
n
+

2
n
2
d
t
n
(Hf(x
b
) +
t
Hg(x
a
))d
n

1
n
kx
n
x
0
k
2

2
n
2
d
t
n
(Hf(x
b
) +
t
Hg(x
a
))d
n

1
n
kx
n
x
0
k
2
como
n
= kx
n
x
0
k
d
t
n
(Hf(x
b
) +
t
Hg(x
a
))d
n

2
n
y tomando lmite cuando n !1
d
t
0
(Hf(x
0
) +
t
Hg(x
0
))d
0
0
Observemos que en esto ltimo aparecen x
a
y x
b
. Como tomamos lmite cuando n ! 1 y se tiene que x
n
! x
0
,
entonces x
a
!x
0
y x
b
!x
0
.
De esta forma hemos llegado a que cuando x
0
es un mnimo local estricto de f restringida a S no es posible que la
forma cuadrtica d
t
(H
x
L(x
0
, ))d sea semi denida negativa y como d es arbitrario se concluye la demostracin.

Teorema 7.6. Sea x


0
un vector factible de un problema de maximizacin con la estructura del problema (7.1) y
supongamos que existe 2 R
k
tal que
rf(x
0
)
k

i=1
`
i
rg
i
(x
0
) = 0 8i 2 I
Para todo d 2 K(x
0
) \ {0} la forma cuadrtica d
t
(H
x
L(x
0
, ))d es denida negativa, es decir
d
t
(H
x
L(x, ))d < 0
Entonces x
0
es un mximo local estricto.
Demostracin. Es anloga a la del teorema 7.5. Basta con tomar f cncava y algn x
0
factible suponiendo que no
es mximo, como f es convexa se concluye.
Nota 7.5. Los teoremas 7.3 y 7.4 nos dan una condicin necesaria de segundo orden mientras que los teoremas 7.5
y 7.6 nos dan una condicin suciente.
Los teoremas 7.4 y 7.6 nos dan una condicin suciente de segundo orden. Podra creerse que la condicin clave
para ambos teoremas es que el conjunto {rg
i
(x
0
)} sea linealmente independiente 8i 2 {1, . . . , k}, sin embargo la
condicin es que se cumpla que g
i
(x
0
) = 0 8i 2 I. Basta con que el Hessiano del Lagrangreano solo con respecto a
x sea denido positivo en el conjunto de direcciones crticas y no en cualquier direccin arbitraria.
Ejemplo 7.3. En el ejemplo (2.9), diga si el punto (x
0
, y
0
) = (
1
2
,
1
2
) es un mximo o un mnimo.
Solucin. Para esto, construyamos primeramente el Lagrangeano del problema:
L(x, y, `) = x
2
+y
2
`(y x 1)
150
7.2. Condiciones de segundo orden para extremos restringidos
Recordemos que el multiplicador de lagrange era ` = 1, por tanto, el Hessiano del Lagrangeano queda:
H
x
L(x
0
, y
0
, `) =

2 0
0 2

el cual es denido positivo para todo d, en particular para las direcciones del conjunto de direcciones crticas y por
tanto el punto (x
0
, y
0
) = (
1
2
,
1
2
) es un mnimo.
Ejemplo 7.4. Optimice el valor de la funcin f(x, y) = x sobre el conjunto de puntos (x, y) tales que x
2
+2y
2
= 3.
Solucin. El Lagrangeano para este problema queda de la siguiente forma:
L(x, y, `) = x `(x
2
+ 2y
2
3)
a partir del cual, aplicando el sistema lagrangeano (2.3) se obtiene
_
_
_
1 = 2`x
0
4 = `y
0
x
2
0
+ 2y
2
0
= 3
_
_
_
1 = 2`x
0
0 = 4`y
0
x
2
0
+ 2y
2
0
= 3
)
1 = 2`x
0
x
2
0
+ 2y
2
0
= 3
y por tanto, los posibles candidatos a extremos (` no puede ser cero) son:
(x
1
, y
1
, `
1
) =

p
3, 0,
1
2
p
3

(x
2
, y
2
, `
2
) =

p
3, 0,
1
2
p
3

por otro lado se tiene que:


H
x
L(x, y, `) =

2` 0
0 4`

es decir, para
(x
1
, y
1
, `
1
) =

p
3, 0,
1
2
p
3

H
x
L(x
1
, y
1
, `
1
) es denida negativa y por tanto (x
1
, y
1
) = (
p
3, 0) es un mximo local mientras que para
(x
2
, y
2
, `
2
) =

p
3, 0,
1
2
p
3

H
x
L(x
2
, y
2
, `
2
) es denida positiva y por lo tanto (x
2
, y
2
) = (
p
3, 0) es un mnimo local.
Ejemplo 7.5. Consideremos el siguiente problema
max
x,y,z
xy +yz +xz
s.a x +y +z = 1
Nos interesa saber si la solucin (en caso de que exista) efectivamente corresponde a un mximo local estricto.
Solucin. El Lagrangeano corresponde a
L(x, `) = xy +yz +xz `(x +y +z 1)
151
FCFM - Universidad de Chile
Aplicando el sistema Lagrangeano llegamos a lo siguiente
_

_
y
0
+z
0
` = 0
x
0
+z
0
` = 0
x
0
+y
0
` = 0
x
0
+y
0
+z
0
= 1
)
x
0
= y
0
y
0
= z
0
x
0
+y
0
+z
0
= 1
)
x
0
= 1/3
y
0
= 1/3
z
0
= 1/3
Entonces f(x
0
, y
0
, z
0
) = 1/3 y el valor del multiplicador de Lagrange es ` = 2/3.
Para las condiciones de segundo orden tenemos
Hf(x
0
) =
_
_
0 1 1
1 0 1
1 1 0
_
_
Hg(x
0
) =
_
_
0 0 0
0 0 0
0 0 0
_
_
Entonces,
H
x
L(x
0
, `) = H
x
f(x
0
) + `
t
Hg(x
0
) =
_
_
0 1 1
1 0 1
1 1 0
_
_
Podramos usar el criterio de los menores principales para determinar si la matriz resultante es semi denida positiva
o negativa. Usando esto se obtiene |H
1
| = 0, |H
2
| = 1 y |H
3
| = 2 lo cual bajo tal criterio nos dice que la matriz
no es semi denida negativa ni tampoco semi denida positiva.
Los teoremas 7.3, 7.4, 7.5 y 7.6 establecen una condicin de segundo orden que pide que H
x
L(x
0
, ) sea semi
denida positiva (caso minimizacin) o semi denida negativa (caso maximizacin) a lo menos en K(x).
Denamos d = (x, y, z) y entonces
d
t
(H
x
L(x
0
, ))d = x(y +z) +y(x +z) +z(x +y) (*)
Tengamos presente que en K(x) se cumple que rg(x) d = 0, entonces x +y +z = 0 por lo que podemos reescribir
(*) como
d
t
(H
x
L(x
0
, `))d = (x
2
+y
2
+z
2
) < 0
observemos que (x
2
+y
2
+z
2
) 0 pero restringido a K(x) se tiene la desigualdad estricta y entonces la solucin
encontrada es un mximo local estricto.
7.3. Ejemplos de Microeconoma en varias dimensiones
Ahora daremos algunos ejemplos en los que se debe resolver una funcin Lagrangeano que consta de n+1 variables.
Es importante revisar estos problemas con detalle puesto que entregan una formulacin para casos generalizados.
Ejemplo 7.6. En la ciudad de Titirilqun todas las empresas minimizan sus costos de operacin. Supondremos que
existen n factores productivos que tienen un costo unitario de w
i
por unidad y que en la ciudad existen m empresas
que elaboran el mismo producto. La empresa representativa de la ciudad tiene una estructura de produccin se
puede representar mediante la siguiente funcin:
f(x) = A
n

i=1
x
i
i
Donde los parmetros A,
i
son positivos y las curvas de nivel de esta funcin, en un caso particular, corresponden
al siguiente grco
152
7.3. Ejemplos de Microeconoma en varias dimensiones
x
1
x
2
Figura 7.1.: Funcin Cobb-Douglas f(x
1
, x
2
) = x
1/2
1
x
1/2
2
Debido a la forma de la funcin presentada la solucin ptima del problema conduce a una solucin interior. Es
decir, podemos encontrar la solucin directamente mediante Lagrangeano.
Lo que nos interesa obtener es la demanda por factores x
i
(w, Q), donde x
i
es la demanda por el insumo i-simo
en funcin de w (vector de R
n
+
que representa los costos de los n insumos) y de Q que representa un nivel de
produccin jo. Esta demanda proviene del siguiente problema:
mn
x

n
i=1
w
i
x
i
s.a f(x) Q, x
i
0
el cual se puede reescribir como
mn
x

n
i=1
w
i
x
i
s.a f(x) = Q
Para un nivel de produccin jo, digamos que es Q, tenemos que
Q = A
n

i=1
x
i
i
y el problema de minimizacin es:
mn
x

n
i=1
w
i
x
i
s.a A

n
i=1
x
i
i
= Q
Con esto en mente escribimos la funcin Lagrangeano
L(x, `) =
n

i=1
w
i
x
i
`
_
A
n

i=1
x
i
i
Q
_
La solucin es interior (x
i
> 0 8i) tal que
` =
w
i
0f/0x
i
y las condiciones de primer orden son las siguientes:
0L
0x
i
= w
i

`
i
A

n
i=1
x
i
i
x
i
= 0 (*)
0L
0`
= QA
n

i=1
x
i
i
= 0 (**)
153
FCFM - Universidad de Chile
De (*) despejamos x
i
x
i
=
`
i
A

n
i=1
x
i
i
w
i
=
`
i
Q
w
i
Para obtener el multiplicador denimos

n
i=1

i
= k para simplicar la escritura, de la parte anterior tomamos el
ltimo resultado, lo reemplazamos en (**) y obtenemos
Q
1k
= A`
k

i=1

i
w
i

i
Reordenando trminos se obtiene el multiplicador
`
k
=
Q
1k
A

1

n
1

i
wi

i
` = Q
(1k)/k
_

n
i=1
w
i/k
i
A
1/k

n
i=1

i/k
i
_
Reemplazando el multiplicador en (*) obtenemos la demanda por el insumo j-simo.
x
j
= Q
(1k)/k
_

n
i=1
w
i/
P
n
1
i
i
A
1/k

n
i=1

i/k
i
_


j
Q
w
j
x
j
=

Q
1/k

i
w
i

n
i=1
w
i/k
i
A
1/k

n
i=1

i/k
i
x
j
=

Q
A

1/k

n
i=1
w
i/k
i

n
i=1

i/k
i


j
w
j
Finalmente para la funcin de costos multiplicamos la demanda ptima por w
j
y agregamos los n trminos aplicando
la sumatoria

n
j=1
(). Se obtiene
C(Q, w) =
n

j=1
w
j
x
j
=

Q
A

1/k

n
i=1
w
i/k
i

n
i=1

i/k
i
k
Ejemplo 7.7. Suponga que la vi
:na Don Pach se dedica exclusivamente a la produccin de vino Carmnre, el cual se elabora con n factores
productivos, y la funcin de produccin es la siguiente:
f(x) = A
_
n

i
x

i
_
v/
Donde los parmetros A,
i
, , v son positivos y 2 (0, 1).
Para simplicar el desarrollo algebraico, la funcin de produccin dado un nivel de produccin jo se puede expresar
como
Q

v
= A

v
_
n

i=1

i
x

i
_
De esto formamos el Lagrangeano del problema
L(x, `) =
n

1
w
i
x
i
`
_
A

v
_
n

i=1

i
x

i
_
Q

v
_
154
7.3. Ejemplos de Microeconoma en varias dimensiones
La solucin es interior (x
i
> 0 8i) tal que
` =
w
i
0f/0x
i
y las condiciones de primer orden son las siguientes:
0L
0x
i
= w
i
`A

i
x
1
i
= 0
0L
0`
= Q

v
A

v
_
n

i=1

i
x

i
_
= 0 (*)
De (*) despejamos x
i
w
i
= `A

i
x
1
i
x
i
=

`A

v
a
i
w
i

1
1
(**)
A partir de este resultado la idea es formar la funcin de produccin nuevamente. Para esto basta con elevar a ,
luego multiplicar por
i
, agregar los n trminos aplicando la sumatoria

n
i=1
() y nalmente multiplicar por A

v
para llegar a una expresin equivalente a Q

v
. Despejando Q se obtiene
Q = A
1
1
(`)
v
1
_
n

i=1
a
1
1
i
w

1
i
_v

Podemos despejar el multiplicador con la nalidad de reemplazar en (**)


`
1
1
=
Q
1
v
A
1
v(1)

1
1
_
n

i=1
a
1
1
i
w

1
i
_1

Reemplazando el multiplicador, que intencionadamente dejamos elevado a


1
1
para reemplazar directamente en
(**), se obtiene la demanda condicionada por el factor j-simo
x
j
=

Q
A
1
v
a
1
1
j
w
1
1
j
_
_
n

j=1
a
1
1
j
w
1
1
j
_
_
1

Ahora solo nos falta encontrar la funcin de costos, para lo cual basta con multiplicar por w
i
y nalmente agregar
los n trminos aplicando la sumatoria

n
j=1
(). Se obtiene
n

j=1
w
j
x
j
=

Q
A
1
v
n

j=1
a
1
1
i
w

1
i
_
n

i=1
a
1
1
i
w
1
1
i
_1

En esta ltima ecuacin hay que arreglar las sumatorias, que son independientes del ndice, y se obtiene
C(Q, w) =
n

i=1
w
i
x
i
=

Q
A
1
v
_
n

i=1
a
1
1
i
w

1
i
_
1

155
FCFM - Universidad de Chile
Ejemplo 7.8. Ahora ilustraremos un caso en que la funcin objetivo y la restriccin son lineales. Esto es con
la nalidad de dar una interpretacin al multiplicador de Lagrange que presentaremos durante el desarrollo del
ejercicio y retomaremos ms adelante.
Supongamos que los completos de la calle Gorbea son fabricados mediante un proceso que es representable por
medio de la siguiente funcin:
f(x) =
n

i=1

i
x
i
Debido a la forma de la funcin presentada, la solucin ptima del problema puede conducir a una solucin no
interior. Si la solucin es no interior, entonces no se cumple la condicin de paralelismo de los gradientes de la
funcin objetivo y la restriccin. En tal caso no podemos encontrar la solucin directamente mediante Lagrangeano.
El problema tiene la misma estructura de los dos ejemplos anteriores. Por lo tanto el Lagrangeano del problema es
L(x, `) =
n

i=1
w
i
x
i
`
_
n

i=1

i
x
i
Q
_
y las condiciones de primer orden son las siguientes:
0L
0x
i
= w
i
`
i
= 0 8i 2 {1, . . . , n} (*)
0L
0`
=
n

i=1

i
x
i
Q = 0 (**)
Estas condiciones no tienen solucin directa.
A partir de (*) tenemos que ` = w
i
/
i
pero debemos ser criteriosos y considerar
` = mn
i
w
i

i
as estamos considerando una nica solucin del problema cuando existe un nico cociente que minimiza `. Si para
algn j se tiene que w
j
/
j
> ` entonces x
j
= 0.
A partir de (**) tenemos que
x
j
=
_
Q
j
si i = j
0 si i 6= j
Las soluciones interiores se dan cuando el problema no tiene solucin nica. En caso de que la solucin no sea nica
cualquier combinacin convexa de las demandas es una solucin vlida del problema.
Una situacin en que no hay solucin nica es cuando la funcin objetivo y la restriccin son iguales, con lo cual
cualquier solucin interior es ptima y genera el mismo valor en la funcin objetivo pues no habra un nico valor
mnimo para el multiplicador.
Sea D es el conjunto de demandas factibles que resuelven el problema, denimos este conjunto de la siguiente forma:
D =

j
e
j
:
w
j

w
i

i
8i = 1, . . . , n
_
donde e
j
denota la j-sima componente de la base cannica de R
n
. Entonces tendremos que la solucin del problema
es cualquier x
j
2 D.
De esta forma la condicin para una solucin nica del problema es que exista slo un cociente w
i
/
i
compatible
con
` = mn
i
w
i

i
156
7.3. Ejemplos de Microeconoma en varias dimensiones
y as garantizamos que la solucin no es interior.
La funcin de costos est dada por
C(Q, w) = Q mn

w
1

1
, . . . ,
w
2

2
_
pues habiendo perfecta sustitucin de factores y adems siendo la solucin no interior se elegir producir utilizando
nada ms que el factor productivo cuya relacin costo-productividad sea menor.
Para jar ideas es til pensar en el caso de R
2
. Si la pendiente se determina segn
m
f(x1,x2)
=
0f/0x
2
0f/0x
1
habra que comparar si esta pendiente es mayor, menor o igual a la relacin de precios r
p
= p
x2
/p
x1
. Se tienen tres
casos posibles:
1. m
f(x1,x2)
> r
p
, entonces la solucin ptima es x

1
= 0 y x

2
> 0.
2. m
f(x1,x2)
< r
p
, entonces la solucin ptima es x

1
> 0 y x

2
= 0.
3. m
f(x1,x2)
= r
p
, entonces la solucin ptima es cualquier combinacin de valores positivos de x
1
y x
2
que
respeten la restriccin. Luego, la solucin no es nica y hay innitas soluciones para este caso.
Ejemplo 7.9. Javiera acaba de estimar computacionalmente una funcin que representa su nivel de bienestar o
utilidad por el consumo de una canasta de n productos. La estimacin de la funcin es la siguiente:
u(x) =
n

i=1
x
i
i
Donde
i
> 0 8i y

n
i=1

i
= 1. Su restriccin al consumo viene dada por un ingreso I que se gasta en su totalidad
en productos perfectamente divisibles, los cuales se venden a un precio p
i
cada uno. Lo que le interesa es maximizar
su nivel de utilidad sujeto a su restriccin presupuestaria.
El problema a resolver es:
max
x

n
i=1
x
i
i
s.a

n
i=1
p
i
x
i
= I
Del problema de maximizacin el Lagrangeano corresponde a
L(x, `) =
n

i=1
x
i
i
+ `
_
I
n

i=1
p
i
x
i
_
y las condiciones de primer orden son las siguientes:
0L
0x
i
=

i

n
i=1
x
i
i
x
i
`p
i
= 0 (*)
0L
0`
= I
n

i=1
p
i
x
i
= 0 (**)
Como u(x) =

n
i=1
x
i
i
, vamos a reemplazar en (*) y obtenemos

i
u = `p
i
x
i
(***)
De esto obtenemos ` en trminos de (u, , p, x)
` =

i
u
p
i
x
i
157
FCFM - Universidad de Chile
Consideremos que I =

n
i=1
p
i
x
i
y

n
i=1

i
= 1 por lo que en (***) vamos a agregar trminos aplicando la sumatoria

n
i=1
()
u = `I
Si reemplazamos esto ltimo en (***) obtenemos

i
I = p
i
x
i
Slo falta reordenar y obtenemos la demanda por el insumo j-simo (los ndices son independientes) en trminos de
(I, , p)
x
j
=
I
j
p
j
Reemplazamos directamente el ltimo resultado en u(x) =

n
i=1
x
i
i
y obtenemos
u(x) = I
n

i=1

i
p
i

i
Ejemplo 7.10. Suponga que Martn alcanza cierto nivel de bienestar o utilidad por el consumo de una canasta de
n productos. Un estudio de mercado ha revelado que su funcin de utilidad es la siguiente:
u(x) =
n

i=1

i
x
i
Donde
i
0 8i 2 {1, . . . , n} y

n
i=1

i
= 1. Lo que Martn busca es obtener el nivel ms alto de utilidad posible
sabiendo que su presupuesto es limitado.
Debido a la forma de la funcin presentada en algunos casos la solucin ptima debe ser trabajada cuidadosamente
(ver ejemplo 7.8).
El problema tiene la misma estructura del ejemplo anterior por lo que el Lagrangeano corresponde a
L(x, `) =
n

i=1

i
x
i
+ `
_
I
n

i=1
p
i
x
i
_
y las condiciones de primer orden son las siguientes:
0L
0x
i
=
i
`p
i
= 0 8i 2 {1, . . . , n} (*)
0L
0`
= I
n

i=1
p
i
x
i
= 0 (**)
Estas condiciones no tienen solucin directa.
A partir de (*) tenemos que ` =
i
/p
i
pero debemos ser criteriosos y considerar
` = max
i

i
p
i
as estamos considerando una nica solucin del problema cuando el cociente que maximiza ` es nico. Si para
algn j se tiene que
j
/p
j
< ` entonces x
j
= 0.
A partir de (**) tenemos que
x
j
=
_
I
pj
si i = j
0 si i 6= j
158
7.3. Ejemplos de Microeconoma en varias dimensiones
La solucin es nica en caso de que no sea interior y debe cumplirse que

i
p
i
` 8i 2 {1, . . . , n}
Las soluciones interiores se dan cuando el problema no tiene solucin nica. En caso de que la solucin no sea nica
cualquier combinacin convexa de las demandas es una solucin vlida del problema.
Sea D es el conjunto de demandas factibles que resuelven el problema, denimos D de la siguiente forma:
D =

I
p
i
e
j
:

j
p
j


i
p
i
8i = 1, . . . , n
_
donde e
j
denota la j-sima componente de la base cannica de R
n
. Entonces tendremos que la solucin del problema
es cualquier x
j
2 D.
La condicin para que la solucin del problema sea nica es que exista solo un cociente
i
/p
i
compatible con
` = max
i

i
x
i
y as garantizamos que la solucin no es interior.
Para obtener una expresin para el nivel de utilidad reemplazamos directamente el ltimo resultado en u(x) =

n
i=1

i
x
i
y obtenemos
u(x) =
I
i
p
i
en el caso en que la solucin no es interior. Si la funcin objetivo y la restriccin son iguales tenemos que
u(x) = I
1

i=1

i
p
i
donde 2 [0, 1] y

n
i=1

i
= 1.
Ejemplo 7.11. Suponga que los habitantes de Titirilqun alcanzan cierto nivel de bienestar o utilidad por el
consumo de una canasta de n productos y en esta ciudad todos quieren obtener el nivel ms alto de utilidad
sabiendo que su presupuesto es limitado. Un estudio de mercado ha revelado que su funcin de utilidad es la
siguiente:
u(x, y) = a
1
n

i=1

i
ln(x
i
) + a
2
y
Donde (x
1
, . . . , x
m
, y) 2 R
n
, a
i
> 0,
i
> 0 8i 2 {1, . . . , n} y

n
i=1

i
= 1. Las curvas de nivel de esta funcin, en
un caso particular, corresponden al siguiente grco
x
1
x
2
Figura 7.2.: Funcin cuasilineal f(x
1
, x
2
) = 0, 1 ln(x
1
) +x
2
159
FCFM - Universidad de Chile
Para jar ideas, intuitivamente a partir del grco del caso particular, es posible deducir que el problema se puede
resolver mediante Lagrangeano pero hay que ser cuidadosos puesto que a partir del mismo grco se deduce que la
solucin puede no ser interior.
Debemos ser cuidadosos al momento de trabajar la funcin presentada mediante Lagrangeano. Ahora tenemos la
dicultad de que la solucin puede ser interior dependiendo de los parmetros del problema. Las demandas, a
diferencia de los ejemplos anteriores, las debemos trabajar como funciones por partes.
El problema de maximizar utilidad sigue una estructura anloga a la del ejemplo anterior, entonces el Lagrangeano
corresponde a
L(x, `) = a
1
n

i=1

i
ln(x
i
) + a
2
y + `
_
I
n

i=1
p
i
x
i
p
y
y
_
Para que exista una solucin interior nos basta con tomar las condiciones de primer orden
0L
0x
i
=
a
1

i
x
i
`p
i
= 0 8i 2 {1, . . . , n} (*)
0L
0y
= a
2
`p
y
= 0 (**)
De las ecuaciones (*) y (**) se obtienen respectivamente
x
i
=

i
a
1
`p
i
y ` =
a
2
p
y
Juntando ambos resultados
x
i
=

i
a
1
p
y
a
2
p
i
y entonces
p
i
x
i
=

i
a
1
p
y
a
2
Aplicando

n
i=1
() a esto ltimo
n

i=1
p
i
x
i
=
a
1
p
y
a
2
Cuando y > 0 se tiene que

n
i=1
p
i
x
i
6= I y de esto se concluye que
y = I
a
1
p
y
a
2
Debemos tener presente que la condicin para que esto efectivamente sea una solucin interior es
I >
a
1
p
y
a
2
En caso de que esto ltimo se cumpla con signo de mayor o igual se tendr que y 0.
En el caso
I <
a
1
p
y
a
2
se tendr que en el ptimo y = 0 y lo nico que nos restara del problema es resolver la ecuacin (*).
Reordenando (*) obtenemos
` =

i
a
1
p
i
x
i
(***)
160
7.3. Ejemplos de Microeconoma en varias dimensiones
Aplicando

n
i=1
() obtenemos
`I = a
1
Reemplazando (***) en esto ltimo obtenemos
x
i
=

i
I
p
i
Entonces, la solucin del problema en virtud de los parmetros corresponde a
x
i
=
_

i
a
1
p
y
a
2
p
i
si I
a
1
p
y
a
2

i
I
p
i
si I <
a
1
p
y
a
2
y y =
_

_
I
a
1
p
y
a
2
si I
a
1
p
y
a
2
0 si I <
a
1
p
y
a
2
Para una solucin interior debe cumplirse que
I >
a
1
p
y
a
2
Para que la solucin sea vlida (valores postivos dada la naturaleza del problema) es que anteriormente separamos
por casos en virtud de los parmetros. El desarrollo efectuado garantiza la unicidad de la solucin dada por un
vector (x, y) 2 R
n+1
.
Ejemplo 7.12. Suponga que los habitantes de Salsacia y Conservia alcanzan cierto nivel de bienestar o utilidad
por el consumo de una canasta de n productos y todos quieren obtener el nivel ms alto de utilidad sabiendo que
su presupuesto es limitado. El gobierno ha hecho un estudio que revela que la funcin de utilidad del ciudadano
representativo es la siguiente:
u(x) = mn
i
{
i
x
i
}
Donde
i
> 0 8i 2 {1, . . . , n} y las curvas de nivel de esta funcin, en un caso particular, corresponden al siguiente
grco
x
1
x
2
Figura 7.3.: Funcin Leontief f(x
1
, x
2
) = mn{x
1
, x
2
}
A partir del grco del caso particular es posible deducir que el problema no se puede resolver mediante Lagrangeano.
Esto es porque para n 2 la funcin no es diferenciable.
El problema tiene la misma estructura del ejemplo anterior pero no es posible resolver mediante Lagrangeano. Sin
embargo, no es muy difcil notar que el vector x de demandas ptimas es tal que

1
x
1
= . . . =
n
x
n
161
FCFM - Universidad de Chile
Cada uno de los argumentos es igual a un valor constante
i
x
i
= k, entonces se tiene que
p
j
x
j
=
i
x
i
p
j

j
aplicando la sumatoria

n
j=1
() se llega a
I =
i
x
i
n

j=1
p
j

j
) x
i
=
I

n
j=1
pj
j
Para una solucin interior bastar con el hecho que k 6= 0, que es lo mismo a decir
i
x
i
6= 0 8i. En caso de que
k = 0 se tendra que u(x) = 0 si para algn i se tiene que
i
x
i
= 0 y de esta forma el vector de demandas ptimas
se anulara en todas sus componentes, pero este caso se dara si I = 0. En cualquier caso la solucin es nica.
Nota 7.6. Los casos en que presentamos en los ejemplos 7.8 y 7.10 nos dan la siguiente interpretacin del multipli-
cador de Lagrange: Expresa cuanto baja (resp. sube) el valor de la solucin ptima de un problema de minimizacin
(resp. maximizacin) ante cambios en los parmetros del problema. Esta interpretacin es extensible a los dems
ejemplos pero la maximizacon o minimizacin del cociente que equivale al multiplicador lo deja totalmente en claro.
La formalizacin de esto viene enseguida.
7.4. Teorema de la envolvente
Motivacin: En diversas reas de la ingeniera y ciencias nos encontramos con sistemas en los cuales es aplicable un
criterio de maximizacin o minimizacin. Ya hemos visto formas de resolver esto pero, muchas veces para facilitar
el clculo y ahorrar trabajo cabe preguntarse si existe alguna tcnica que nos permita cuanticar cmo cambia la
solucin ptima ante cambios en los parmetros del sistema o bien, muchas veces tenemos sistemas similares cuya
diferencia slo radica en los parmetros que los denen.
Teorema 7.7. (Teorema de la Envolvente) Sean f : R
n+m
!R, g
i
: R
n+m
!R funciones cncavas y diferenciables
y (x, c) 2 R
n
R
m
. Consideremos el problema
max
x
f(x, c)
s.a g
i
(x, c) = 0 8i 2 {1, . . . k}
y denamos la funcin valor V (c) = max{f(x(c), c) : x 2 S}.
Como el problema consta nicamente de funciones diferenciables podemos aplicar la funcin Lagrangeano para
encontrar un ptimo. Dado esto el cambio de la funcin valor, ante cambios en c, equivale al cambio de la funcin
Lagrangeano ante cambios en c. Es decir,
0V
0c
i
(c) =
0L
0c
i
(x(c), (c), c)
Demostracin. Consideremos la funcin Lagrangeano
L(x, ) = f(x, c) +
k

i=1
`
i
g
i
(x, c)
Sea x(c) una solucin ptima del problema, tenemos que
0L
0x
i
(x(c), (c), c) =
0f
0x
i
(x(c), c) +
k

i=1
`
i
(c)
0g
i
0x
i
(x(c), c) = 0 (*)
162
7.4. Teorema de la envolvente
Por otra parte,
0V
0c
i
(c) =
0f
0c
i
(x(c), c) +
n

i=1
0f
0x
i
(x(c), c)
0x
i
0c
i
(c) (**)
Reemplazando (*) en (**) se obtiene
0V
0c
i
(c) =
0f
0c
i
(x(c), c)
k

i=1
`
i
(c)
_
n

i=1
0g
i
0x
i
(x(c), c)
0x
i
0c
i
(c)
_
Pero g
i
(x(c), c) = 0 8i, entonces
n

i=1
0g
i
0x
i
(x(c), c)
0x
i
0c
i
(c) +
0g
i
0c
i
(x(c), c) = 0 (***)
Reemplazando (***) en (**) se obtiene
0V
0c
i
(c) =
0f
0c
i
(x(c), c) +
k

i=1
`
i
(c)
0g
i
0c
i
(x(c), c)
que no es otra cosa sino
0V
0c
i
(c) =
0L
0c
i
(x(c), (c), c)

Nota 7.7. El caso de minimizacin es anlogo. Basta con tomar f convexa y como f es cncava se concluye.
Ejemplo 7.13. Queremos saber cmo cambia la solucin ptima ante un cambio en c para el siguiente problema:
max
x
p
x
1
x
2
x
3
s.a x
1
+x
2
+x
3
= c
La funcin Lagrangeano corresponde a
L(x, `) =
p
x
1
x
2
x
3
`(x
1
+x
2
+x
3
c)
Resolviendo las condiciones de primer orden obtenemos
0L
0x
1
=
p
x
2
x
3
2
p
x
1
` = 0
0L
0x
2
=
p
x
1
x
3
2
p
x
2
` = 0
0L
0x
3
=
p
x
1
x
2
2
p
x
3
` = 0
0L
0`
= c x
1
x
2
x
3
= 0
Reordenando para despejar x
1
, x
2
, x
3
en cada ecuacin respectivamente obtenemos
x
1
=
x
2
x
3
4`
2
x
2
=
x
1
x
3
4`
2
x
3
=
x
1
x
2
4`
2
Luego de dividir la primera de estas ecuaciones por la segunda y la segunda con la tercera en forma separada
obtenemos
x
1
= x
2
= x
3
163
FCFM - Universidad de Chile
Reemplazamos esto en
dL
dX
y obtenemos c = 3x
1
. Despejando x
1
, x
2
, x
3
en trminos de c obtenemos
x
1
(c) = x
2
(c) = x
3
(c) =
c
3
Con esto formamos la funcin valor y derivamos respecto de c para cuanticar el cambio
V (c) =
p
c
3
3
p
3
)
0V (c)
0c
=
p
c
2
p
3
Como
3x
1
= 3
x
2
x
3
4`
2
= c
y x
1
= x
2
= x
3
= c/3 obtenemos c = 12`
2
y se concluye que `(c) =
p
c
2
p
3
. Con esto ltimo evaluamos
0L
0c
i
(x(c), `(c), c) = `(c) =
p
c
2
p
3
Lo que permite concluir que
0V (c)
0c
=
0L
0c
i
(x(c), `(c), c)
Dejaremos de tarea vericar que el teorema se cumple con los ejemplos de la seccin 7.3. Para los ejemplos de
minimizacin de costos la forma de proceder es la siguiente:
1. Se dene la funcin valor como la funcin de costo C(Q, w) y debemos analizar con respecto a Q por ser la
constante de la nica restriccin del los problemas.
2. Se tendr que
dC(Q,w)
dQ
= ` exceptuando el ejemplo 7.7, pues en tal caso se debe derivar con respecto a Q

v
o
de lo contrario llegamos a la conclusin errnea de que el teorema falla. Verique y explique esto ltimo.
El desarrollo para los ejemplos de maximizacin de utilidad es anlogo.
7.5. Ejercicios
Ejercicio 1. Demuestre la siguiente versin del Teorema de los Multiplicadores de Lagrange:
Sea n 2 y D R
n
abierto. Sean f, g : D !R funciones C
1
en D. Supongamos que la restriccin de f al conjunto
= {x 2 R
n
: g(x) = 0} tiene un punto crtico en a 2 . Entonces 9(`, ) con componentes no nulas tales que
`rf(a) +rg(a) = 0 (*)
Sugerimos los siguientes pasos:
1. Explique por qu si rg(a) = 0 se cumple el teorema.
2. Suponga que rg(a) 6= 0. Sin prdida de generalidad, podemos suponer entonces que
dg(a)
dxn
6= 0. Explique la
validez de este supuesto.
3. Pruebe que 9U R
n1
que contiene a c = (a
1
, . . . , a
n1
) y una funcin c : U ! R tal que c(c) = a
n
e
(y, c(y)) 2 8y 2 U.
4. Dena : U !R por (y) = f(y, c(y)). Muestre que para k 2 {1, . . . , n 1} se cumple que
0f(a)
0x
k
+
0f(a)
0x
n

0c(c)
0x
k
= 0
5. Encuentre una expresin para rc(c) en funcin de g o sus derivadas y concluya.
Indicacin. Encuentre (`, ) tal que la ecuacin (*) se cumpla para las primeras n 1 coordenadas y verique y
verique que con esos mismos valores la ecuacin tambin se cumple para la n-sima coordenada.
164
CAPTULO 8
Teorema de Karush-Kuhn-Tucker
8.1. Teorema de separacin de convexos y lema de Farkas
Los resultados de esta seccin nos servirn para demostrar un teorema importante, conocido como Karush-Kuhn-
Tucker, que nos permitir caracterizar las soluciones ptimas cuando tenemos restricciones de igualdad y desigualdad
combinadas en un problema.
Teorema 8.1. (Teorema de separacin de convexos) Sean A y B dos conjuntos convexos, disjuntos y diferentes de
vaco en R
n
. Si A es cerrado y B es compacto existe p 2 R
n
\ {0} tal que p a < p b 8(a, b) 2 AB.
Demostracin. Si A es cerrado denamos la funcin
f : B !R
b 7!mn
a2A
kb ak
la cual nos da la distancia de b 2 B a a 2 A y adems es una funcin continua. Supongamos que B es compacto,
entonces existe b
0
2 B tal que f(b
0
) f(b) 8b 2 B. Sea y 2 A tal que f(b
0
) = kb
0
yk y como A \ B = ? son
disjuntos entonces el vector
p =
b
0
y
kb
0
yk
est bien denido y es tal que kpk = 1.
Como p p > 0 se tiene que
p
b
0
y
kb
0
yk
> 0
a partir de lo cual se concluye que
p y < p b
0
(*)
En base a esto ltimo debemos demostrar que p b
0
p b y p a < p y.
Fijando a 2 A denamos la funcin
g : [0, 1] !R
` 7!kb
0
+y `(a y)k
2
165
FCFM - Universidad de Chile
como A es convexo g tiene un mnimo en ` = 0, entonces
g(`) = (hb
0
y `(a y), b
0
y `(a y)i)
2
= (hb
0
y, b
0
yi 2`hb
0
y, a yi + `
2
ha y, a yi)
2
0g
0`
= 2hb
0
y, a yi + 2`ha y, a yi
luego
0g
0`

X=0
= (b
0
y) (y a) 0
dividiendo por kb
0
yk se concluye que
p a p y (**)
Fijando b 2 B denamos la funcin
h :[0, 1] !R
` 7!kb
0
y `(b y)k
2
y procediendo de la misma forma con la que se lleg a (**) se concluye que
p b
0
p b (***)
Finalmente (*), (**) y (***) permiten concluir que p a < p b.
Lema 8.1. Sea A R
n
un conjunto convexo tal que int(A) 6= ?. Entonces A = int(A). (Para simplicar notacin
A = adh(A))
Demostracin. Sea x 2 int(C). Demostremos que el segmento que une x con cualquier y 2 A est contenido en
int(A). Sea y 2 A, como int(A) A y A es convexo entonces tx + (1 t)y 2 A 8t 2 (0, 1). Sea r > 0 tal que
B(x, r) A entonces B(tx+(1t)y, tr) A )tx+(1t)y 2 int(A)8t. En efecto, cualquier z 2 B(tx+(1t)y, tr)
puede escribirse z = tx+(1t)y +th, khk < r. Como x+h 2 B(x, r) A, el segmento entre y y x+h est en A,
es decir z = t(x+h) +(1 t)y 2 A. Por otra parte, como y = lm
n!1
_
1
1
n
_
y +
1
n
x se concluye que y 2 int(A)
8y 2 A. Finalmente, como A int(A) )A int(A) e int(A) A )int(A) A tenemos que A = int(A).
Si el conjunto no es convexo el lema anterior no aplica. Como contraejemplo tenemos lo siguiente: Sea C = (0, 1)
entonces adh(C) = [0, 1] e int(C) = (0, 1) pero si C = (0,
1
2
) [ (
1
2
, 1) entonces adh(C) = [0, 1] e int(C) = (0, 1) por
lo que int(C) * C.
Corolario 8.1. Si A y B son dos conjuntos convexos, disjuntos y diferentes de vaco, entonces el conjunto C = A\B
es convexo y no vaco tal que 0 / 2 C. Sobre este resultado pueden darse dos casos:
1. 0 2 adh(C) y entonces existe p 2 R
n
\ {0} tal que p a p b 8(a, b) 2 AB.
2. 0 / 2 adh(C) y entonces existe p 2 R
n
\ {0} tal que p a < p b 8(a, b) 2 AB.
Demostracin.linea en blanco
0 2 adh(C): Aplicando el lema tenemos que 0 / 2 int(C). Por lo tanto existe una sucesin {x
n
}
n2N
tal que {x
n
} 2
adh(C) y {x
n
} ! 0 en la medida que n ! 1. Entonces para cada n 2 N existe un vector p
n
tal que kp
n
k = 1
y p
n
a < p
n
b 8(a, b) 2 A B. Como {p
n
}
n2N
est denida en un compacto tiene al menos una subsucesin
convergente, es decir existe p 2 R
n
\ {0} tal que kpk = 1 y p a p b 8(a, b) 2 AB.
0 / 2 adh(C): Aplicando el teorema teorema 8.1, se concluye que existe p 2 R
n
\ {0} tal que p c < 0 8c 2 adh(C) y
en particular si denimos c = a b con a 2 A y b 2 B se tiene que p a < p b 8(a, b) 2 AB.
166
8.2. Problema general de optimizacin
Lema 8.2. (Lema de Farkas) Sean b 2 R
n
y A 2 M
mn
(R). Entonces la desigualdad b d 0 se cumple para todo
vector d 2 R
n
tal que Ad 0 si y slo si existe p 2 R
m
+
tal que A
t
p = b.
Demostracin. El enunciado equivale a decir que el sistema Ad 0, b d < 0 tiene solucin si y slo si el sistema
A
t
p = b, p 0 no tiene solucin.
El sistema A
t
p = b, p 0 no tiene solucin si los conjuntos C
1
= {x 2 R
n
: A
t
p = x, p 0} y C
2
= {b} son
disjuntos.
Notemos que C
1
y C
2
son cerrados, convexos y diferentes de vaco y adems C
2
es compacto. Esto ltimo nos
permite aplicar el teorema 8.1 y se concluye que existen c 2 R
n
\ {0} y 2 R tales que c b < , c x > 8x 2 C
1
y c (A
t
p) > 8p 0.
De esta forma si p = 0 entonces < 0. Si escogemos p = (0, . . . , p
i
, . . . , 0) con i = 1, . . . , m tal que p
i
> 0, entonces
cA
t
0 y en consecuencia Ac 0. Se concluye que d = c es una solucin del sistema Ad 0, b d < 0.
Si A
t
p = b, p 0 tiene solucin y Ad 0, entonces b d = p (Ad) 0 por lo que Ad 0, b d < 0 no tiene
solucin.
8.2. Problema general de optimizacin
Recordemos algunos conceptos ya vistos. Si tenemos un problema de la forma
P) mn
x
f(x)
x 2 U
(8.1)
Donde f : R
n
! R y U R
n
. Si U = R
n
tenemos el caso de optimizacin sin restricciones y en tal caso si x
0
es un mnimo local se tiene que f(x
0
) f(x) 8x 2 B(x
0
, c). Por lo tanto para cada d 2 R
n
y t 0 se tiene
que f(x
0
+ td) f(x
0
) 0. Si f es diferenciable, tras dividir por t y aplicar lmite cuando t ! 0
+
se obtiene
rf(x
0
) d 0 y como d es arbitrario la condicin de primer orden para el caso irrestricto es rf(x
0
) = 0.
En el caso en que U sea una parte de R
n
no necesariamente x
0
+td 2 U, por ejemplo si U = R
n
+
y x
0
se encuentra
en la frontera de U se tiene un caso en que no necesariamente x
0
+ td 2 U y cualquier d arbitrario no nos sirve
para concluir la condicin de primer orden.
Denicin 8.1. (Espacio tangente)
El espacio tangente a U en x
0
corresponde al conjunto
T
U
(x
0
) = {d 2 R
n
: 9t
n
!0
+
, d
n
!d tal que x
0
+t
n
d
n
2 U}
Se tiene que 0 2 T
U
(x
0
) y en caso de que x
0
2 int(U) entonces T
U
(x
0
) = R
n
.
Teorema 8.2. Si x
0
es un mnimo local de f en U, entonces se cumple la condicin necesaria rf(x
0
) d 0 para
todo d 2 T
U
(x
0
).
Demostracin. Sean {x
n
}
n2N
2 U y {t
n
}
n2N
2 R tales que x
n
! x
0
y t
n
! 0
+
en la medida que n ! 1, por lo
que x
0
+ t
n
d
n
2 U. Si x
0
es un mnimo local de f en U entonces f(x
0
+ t
n
d
n
) f(x
0
) 0. Dividiendo por t
n
y
aplicando lmite cuando n !1 se tiene rf(x
0
) d 0.
Teorema 8.3. Si x
0
2 U y se tiene la condicin suciente rf(x
0
) d > 0 8d 2 T
U
(x
0
) \ {0} entonces x
0
es un
mnimo local estricto de f en U.
Demostracin. Se har por contradiccin: Si x
0
no es mnimo local de f en K entonces existe x
n
2 K tal que x
n
!x
0
y x
n
6= x
0
de manera que f(x
n
) f(x
0
). Sea d
n
=
xnx0
kxnx0k
, tal que kd
n
k = 1, entonces {d
n
}
n2N
es acotada
por lo que tiene una subsucesin convergente. Como {d
n
}
n2N
es acotada podemos suponer que converge a d
0
2
167
FCFM - Universidad de Chile
T
K
(x
0
)\{0}. La expansin de Taylor de f(x
n
) est dada por f(x
0
)+rf(x
0
) (x
n
x
0
)+kx
n
x
0
kR
1
(kx
n
x
0
k).
Esto ltimo junto con la condicin f(x
n
) f(x
0
) conducen a que rf(x
0
) (x
n
x
0
)+kx
n
x
0
kR
1
(kx
n
x
0
k) 0.
Diviendo por kx
n
x
0
k y tomando lmite cuando n !1se obtiene rf(x
0
) d
0
0 lo cual contradice la hiptesis.

Nota 8.1. La condicin necesaria no es suciente y la condicin suciente no es necesaria.


Ejemplo 8.1. Consideremos los casos:
1. f(x) = x
3
y U = [1, 1]. La condicin necesaria nos dice que el mnimo local es x
0
= 0, entonces f
0
(x
0
) = 0
y T
U
(x
0
) = R. Se tiene que x
0
no es mnimo local y la condicin necesaria se cumple pero no asegura la
minimalidad local.
2. f(x) = x
2
y U = [1, 1]. La condicin necesaria nos dice que el mnimo local es x
0
= 0, entonces f
0
(x
0
) = 0 y
T
U
(x
0
) = R. Se tiene que x
0
es mnimo local y la condicin suciente no se cumple pese a que x
0
= 0 cumple
con ser un mnimo local del problema.
Denicin 8.2. (Espacio normal)
El espacio normal a U en x
0
corresponde al conjunto
N
U
(x
0
) = {u 2 R
n
: u d 0 8d 2 T
U
(x
0
)}
y a partir de esta denicin la condicin necesaria corresponde a
rf(x
0
) 2 N
U
(x
0
)
Teorema 8.4. Sea f : D R
n
!R una funcin convexa y diferenciable en un convexo D tal que K D. Entonces
f tiene un mnimo global en x
0
en K si y slo si rf(x
0
) d 0 8d 2 T
K
(x
0
)
Demostracin. Una forma de demostrar esta propiedad es mediante la condicin necesaria la cual implica que f
tiene un mnimo global en x
0
. Sea x 2 K, entonces si denimos x
X
= (1 t
n
)x
0
+ t
n
x con t
n
! 0 se tiene que
x
X
2 K que implica x
X
! x
0
y obtenemos que (x x
0
) 2 T
K
(x
0
). A partir de la convexidad de f tenemos que
f(x) f(x
0
) + rf(x
0
) (x x
0
) lo cual junto a la condicin necesaria implican que f(x) f(x
0
) y se concluye
que x
0
es mnimo global de f en K.
Los teoremas de esta seccin corresponden a un tratamiento muy abstracto que provee condiciones generales, las
cuales no son facilmente aplicables. Dicho esto, conviene dar ms estructura al conjunto U y para aquello se puede
plantear el problema (8.1) de la siguiente forma:
P) mn
x
f(x)
s.a g
i
(x) = 0 8i 2 {1, . . . , k}
h
j
(x) 0 8j 2 {1, . . . , m}
(8.2)
Resulta conveniente suponer que el nmero de restricciones es nito y en este caso el conjunto de restricciones es
U = {x 2 R
n
: g
i
(x) = 0 8i 2 I, h
j
(x) 0 8j 2 J}
donde I = {1, . . . , k}, J = {1, . . . , m} y g
i
, h
j
: R
n
!R son funciones diferenciables.
Denicin 8.3. Un vector x
0
2 R
n
es factible si 8i 2 {1, . . . , k}, j 2 {1, . . . , m} se cumple que g
i
(x
0
) = 0 y
h
j
(x
0
) 0.
8.3. Teorema de Karush-Kuhn-Tucker
Motivacin: Ahora nos extenderemos a un caso ms general de un problema de optimizacin que se da cuando
aparecen restricciones de igualdades y desigualdades en forma combinada. El teorema de los multiplicadores de
168
8.3. Teorema de Karush-Kuhn-Tucker
Lagrange exige independencia lineal entre los gradientes de la funcin objetivo y las restricciones en el ptimo lo
cual resulta en una condicin demasiado fuerte y restrictiva. Ahora presentaremos un teorema que no requiere dicha
hiptesis y que no tiene el inconveniente que surge al no poder trabajar con un nmero de restricciones mayor a la
dimensin del espacio debido a la condicin de independencia lineal.
8.3.1. Condiciones de primer orden para extremos restringidos
Denicin 8.4. (Espacios normal y tangente)
Por analoga con la denicin 7.3 deniremos la supercie
S = {g
i
(x) = 0, h
j
(x) = 0 8i 2 I, j 2 J(x
0
)}
en torno a x
0
y as tenemos que los espacios normal y tangente corresponden a
N
S
(x
0
) = h{rg
i
(x
0
), rh
j
(x
0
)}i 8i 2 I, j 2 J
T
S
(x
0
) = N
S
(x
0
)
?
= {v 2 R
n
: v rg
i
(x
0
) = 0 ^ v rh
j
(x
0
) 0 8i 2 I, j 2 J}
En caso de que alguna restriccin del problema (8.2) sea de la forma h
j
(x
0
) < 0 para algn j, se tiene que esta no
participa en la estructura de S. Este hecho motiva la siguiente denicin:
Denicin 8.5. (Espacio linealizante)
El espacio linealizante de S en x
0
corresponde al conjunto
L
S
(x
0
) = {x 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rh
j
(x
0
) d = 0 8j 2 J(x
0
)}
donde J(x
0
) = {j 2 J : h
j
(x
0
) = 0} corresponde a las restricciones de menor o igual que efectivamente participan
en la estructura de S.
Bajo ciertas condiciones se tiene que T
S
(x
0
) = L
S
(x
0
), una de estas condiciones es la siguiente:
Denicin 8.6. (Condiciones de Mangasarian-Fromovitz)
Diremos que x
0
2 S es regular si se cumplen
1. {rg
i
(x
0
) : i 2 I} es linealmente independiente.
2. 9d 2 R
n
tal que rg
i
(x
0
) d = 0 8i 2 I y adems rh
j
(x
0
) d < 0 8j 2 J(x
0
).
Para lo cual una condicin suciente (y no necesaria) es que
{rg
i
(x
0
)}
i2I
[ {rh
j
(x
0
)}
j2J(x0)
sea linealmente independiente.
Antes de presentar el teorema nos ser de enorme utilidad el siguiente resultado:
Teorema 8.5. Bajo condiciones de regularidad de Mangasarian-Fromovitz se tiene que T
S
(x
0
) = L
S
(x
0
)
Demostracin.linea en blanco
T
S
(x
0
) L
S
(x
0
): Si d 2 T
S
(x
0
) entonces existen x
n
2 S y t
n
!0 tales que d = lm
n!1
(x
n
x
0
)/t
n
. Luego para
todo j 2 J(x
0
) se cumple que h
j
(x
k
) h
j
(x
0
) 0 y la expansin de Taylor sobre h
j
da el siguiente resultado:
h
j
(x
0
) +rh
j
(x
0
) (x
n
x
0
) +kx
n
x
0
kR
1
(kx
n
x
0
k) 0
Diviendo por t
n
y tomando lmite cuando n !1 se tendr que R
1
!0 y como h
j
(x
0
) = 0 para el caso j 2 J(x
0
)
se concluye que rh
j
(x
0
) d 0.
169
FCFM - Universidad de Chile
Es anlogo para vericar que rg
i
(x
0
) d = 0.
L
S
(x
0
) T
S
(x
0
): Sea d 2 L
S
(x
0
) y consideremos el sistema g
i
(x+td+Au) = 0, i 2 I que resulta ser no lineal en las
variables (t, u) y A es la matriz cuyas columnas son rg
i
(x
0
). El punto (t, u) = 0 es solucin del sistema y la matriz
Jacobiana respecto de u en 0 es A
t
A la cual es invertible de acuerdo a las condiciones de regularidad establecidas.
Por medio del teorema de la funcin implcita es posible concluir que existe una solucin u(t) diferenciable en torno
a t = 0 con u(t) = 0. Se tiene que x
0
(t) = x
0
+td +Au(t) satisface la igualdad g
i
(x
0
(t)) = 0 8i 2 I, t B(0, r). De
esto es posible concluir que
d
dt
g
i
(x
0
(t))(0) = rg
i
(x
0
)

d +A
du(t)
dt

t=0
A partir de rg
i
(x
0
) d = 0 y la invertibilidad A
t
A se concluye que
du(t)
dt

t=0
= 0 y por lo tanto
dx(t)
dt

t=0
= d
La trayectoria x
0
(t) satisface las igualdades g
i
(x
0
(t)) = 0.
Para las desigualdades tenemos dos alternativas:
d 2 L
S
(x
0
) suponiendo desigualdades estrictas: Tenemos que rh
j
(x
0
) d < 0 8j 2 J(x
0
). En tal caso, dado que
h
j
(x
0
(t)) = h
j
(x
0
) +trh
j
(x
0
) d +tr(t)
con r(t) !0 en la medida que t !0, se tiene que h
j
(x
0
(t)) < 0 8j 2 J con t 0.
Lo anterior demuestra que x
0
(t) 2 S cuando t 0 y dado que d = lm
n!1
(x
n
x
0
)/t
n
para cualquier sucesin
{t
n
}
n2N
!0
+
y se concluye que d 2 T
S
(x
0
).
d 2 L
S
(x
0
) sin suponer desigualdades estrictas: Para cada - > 0, el vector d
-
= d + -d
0
2 L
S
(x
0
) y satisface
las desigualdades estrictas rh
j
(x
0
) d
-
< 0 8j 2 J(x
0
). De la segunda parte de la demostracin se concluye que
d
-
2 T
S
(x
0
). Como T
S
(x
0
) es cerrado, en la medida que - !0 se concluye que d 2 T
S
(x
0
).
Teorema 8.6. (Teorema de Karush-Kuhn-Tucker)
Supongamos que x
0
2 S verica las condiciones de Mangasarian-Fromovitz. Una condicin necesaria para que
x
0
2 S sea solucin del problema 8.2 es que exista un vector (, ) 2 R
k
R
m
+
tal que
r
x
L(x
0
, , ) = 0 (8.3)

j
h
j
(x
0
) = 0 8j 2 J (8.4)
g
i
(x
0
) = 0 8i 2 I (8.5)
h
j
(x
0
) 0 8j 2 J (8.6)

j
0 8j 2 J (8.7)
Cuando f, g
i
, h
i
son convexas las condiciones descritas son sucientes para que x
0
sea un mnimo de f en S.
Demostracin. De la condicin necesaria se tiene que x
0
es un mnimo local de f en S si
rf(x
0
) d 0 8d 2 T
S
(x
0
)
Cumplendose las condiciones de Mangasarian-Fromovitz se tiene que T
S
(x
0
) = L
S
(x
0
) y ser posible aplicar el
lema de Farkas (lema 8.2).
El lema nos dice que dado Ad 0 se cumple que b d 0. La condicin rg
i
(x
0
) d = 0 8i 2 I se puede expresar
convenientemente como
(rg
i
(x
0
) d 0) ^ (rg
i
(x
0
) d 0) 8i 2 I
170
8.3. Teorema de Karush-Kuhn-Tucker
y dado que rh
j
(x
0
) d 0 8j 2 J(x
0
) podemos denir
A =
_
_
rg
i
(x
0
)
t
rg
i
(x
0
)
t
rh
j
(x
0
)
t
_
_
i2I
j2J(x0)
, b = rf(x
0
)
Tambin el lema nos dice que lo anterior es vlido si dado b 2 R
n
existe p 2 R
m
+
tal que A
t
p b, p 0.
De acuerdo al teorema 8.1 el vector p 6= 0 puede ser escogido con componentes (p
1
i
, p
2
i
, p
j
)
i2I, j2J(x0)
donde no
todas las componentes son nulas, entonces
rf(x
0
) =

i2I
(p
2
i
p
1
i
)rg
i
(x
0
)

j2J(x0)
p
j
rh
j
(x
0
)
Deniendo `
i
= p
2
i
p
1
i
y
j
= p
j
se tiene
rf(x
0
) =

i2I
`
i
rg
i
(x
0
)

j2J(x0)

j
rh
j
(x
0
)
En el caso de que rf(x
0
) = 0 no se cumple la condicin suciente (y no necesaria) de independencia lineal de los
gradientes de las restricciones, este caso lleva a

i2I
`
i
rg
i
(x
0
) +

j2J(x0)

j
rh
j
(x
0
) = 0 )

j2J(x0)

j
rh
j
(x
0
) = 0
Para el caso rf(x
0
) 6= 0 se obtiene
rf(x
0
) +

i2I
`
i
rg
i
(x
0
) +

j2J(x0)

j
rh
j
(x
0
) = 0 (*)
Finalmente, si alguna restriccin h
j
no participa en la estructura de S entonces h
j
(x
0
) < 0 8j / 2 J(x
0
) y se puede
denir
j
= 0 8j / 2 J(x
0
). Entonces existe (, ) 2 R
k
R
m
+
tal que
rf(x
0
) +

i2I
`
i
rg
i
(x
0
) +

j2J

j
rh
j
(x
0
) = 0

j
h
j
(x
0
) = 0,
j
0 8j 2 J

En las ltimas condiciones encontradas la primera se conoce como condicin de primer orden y la segunda como
condicin de holgura complementaria y exige que los multiplicadores asociados a las restricciones inactivas sean
nulos. En otras palabras, slo las restricciones activas deben ser tomadas en consideracin.
Denicin 8.7. El conjunto de todos los multiplicadores (, ) 2 R
k
R
m
+
que satisfacen las condiciones del
teorema de Karush-Kuhn-Tucker ser denotado (x
0
). Ntese que bajo la condicin de independencia lineal el
conjunto (x
0
) se reduce a un nico vector.
Con lo ya discutido en el captulo 7 el teorema 8.6 tambin es vlido para la maximizacin si consideramos restric-
ciones de la forma h
j
(x
0
) 0 8j 2 J. Una condicin necesaria para que un vector regular y factible x
0
sea mximo
de f en S es que se cumplan las condiciones que describe el teorema y cuando f, g
i
, h
j
son cncavas la condicin
es suciente. Los multiplicadores
j
siguen siendo no negativos para el caso de maximizacin.
Respecto de los signos de los multiplicadores, no hay restriccin de signo para los multiplicadores asociados a las
restricciones de igualdad. En el caso de restricciones de desigualdad, el signo de los multiplicadores depende de
171
FCFM - Universidad de Chile
si estamos empleando un criterio de maximizacin o minimizacin y si las restricciones se dejan como mayores o
iguales a cero.
Si el problema es de minimizacin sujeto a restricciones de menor o igual entonces los multiplicadores son mayores o
iguales a cero y se incluyen con signo positivo en la funcin Lagrangeano. Si estamos maximizando con restricciones
de mayor o igual no cambia el signo de los multiplicadores.
8.3.2. Condiciones de segundo orden para extremos restringidos
Denicin 8.8. De manera similar a como se hizo en la seccin 7.2 deniremos el conjunto de direcciones crticas
para un problema de minimizacin como
K(x
0
) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rh
j
(x
0
) d 0 8j 2 J(x
0
), rf(x
0
) d 0}
Teorema 8.7. (Condicin necesaria de segundo orden)
Sea x
0
un mnimo local del problema 8.2 bajo las condiciones de Mangasarian-Fromovitz. Entonces, para todo
d 2 K(x
0
) existe un multiplicador (, ) 2 (x
0
) tal que d
t
(H
x
L(x
0
, , ))d 0.
Demostracin. Por simplicidad se demostrar considerando hiptesis de independencia lineal. Sea d 2 K(x
0
),
denamos J
d
(x
0
) = {j 2 J(x
0
) : rh
j
(x
0
) d = 0}, y consideremos el sistema
g
i
(x) = 0 8i 2 I
h
j
(x) = 0 8j 2 J
d
(x
0
)
De manera anloga a la demostracin del teorema 8.5, en virtud del teorema de la funcin implita, es posible
encontrar una trayectoria x(t) de clase C
2
en torno a t = 0, la cual cumple que g
i
(x(t)) = 0 8i 2 I h
j
(x(t)) =
0 8i 2 J
d
(x
0
), con x(0) = 0 y
d
dt
x(0) = d. Ya que cada una de las restricciones h
j
(x
0
) 0 son continuas para t 0
tendremos que h
j
(x(t)) < 0 8j 2 J \ J
d
(x
0
), de manera que x(t) 2 S para todo t !0.
Por otra parte, como x
0
es mnimo local del problema 8.2 y x(t) es factible, entonces t = 0 genera un mnimo local
de f en S si evaluamos f en x(t). Luego, dado que rf(x
0
) d = 0 ya que d es arbitrario, se deduce que
0
d
2
dt
2
f(x(0)) = d
t
(H
x
f(x
0
))d +rf(x
0
)
d
2
dt
2
x(0) (*)
Anlogamente obtenemos
0
d
2
dt
2
g
i
(x(0)) = d
t
(H
x
g
i
(x
0
))d +rg
i
(x
0
)
d
2
dt
2
x(0) 8i 2 I
0
d
2
dt
2
h
j
(x(0)) = d
t
(H
x
h
j
(x
0
))d +rh
j
(x
0
)
d
2
dt
2
x(0) 8j 2 J
d
(x
0
)
multiplicando estas igualdades por `
i
y
j
respectivamente y sumando a (*) obtenemos 0 d
t
(H
x
L(x
0
, , ))d.
Teorema 8.8. (Condicin suente de segundo orden)
Sea x
0
un vector factible del problema 8.2 y supongamos que cumple que para todo d 2 K(x
0
) \ {0} existe (, ) 2
(x
0
) tal que d
t
(H
x
L(x
0
, , ))d > 0 entonces x
0
es un mnimo local estricto.
Demostracin. Procederemos por contradiccin. Si x
0
no es un mnimo local estricto entonces existe x
n
2 S tal que
x
n
!x
0
y f(x
n
) f(x
0
) para x
n
6= x
0
.
Sea d
n
=
xnx0
kxnx0k
, tal que kd
n
k = 1, entonces {d
n
}
n2N
es acotada por lo que tiene una subsucesin convergente.
En efecto, podemos suponer que converge a d
0
2 K(x
0
) \ {0}. Probemos entonces que d
0
es una direccin crtica.
De manera similar a la demostracin del teorema 8.3 el suponer que d
0
2 K(x
0
) \ {0} conduce a que d
0
2
T
S
(x
0
) \ {0} y adems se tiene que T
S
(x
0
) L
S
(x
0
). Por otra parte, la expansin de Taylor de f(x
n
) est dada
172
8.3. Teorema de Karush-Kuhn-Tucker
por f(x
0
) + rf(x
0
) (x
n
x
0
) + kx
n
x
0
kR
1
(kx
n
x
0
k) 0 y esto ms la condicin f(x
n
) f(x
0
) conducen
a rf(x
0
) (x
n
x
0
) + kx
n
x
0
kR
1
(kx
n
x
0
k) 0. Diviendo por kx
n
x
0
k y tomando lmite cuando n ! 1
resulta rf(x
0
) d
0
0.
Sea (, ) el multiplicador asociado a d en la condicin suciente de segundo orden. Como L(x, , ) es de clase
C
2
en x y (, ) 2 (x
0
), entonces la expansin de Taylor de L(x
n
, , ) corresponde a
L(x
0
, , ) +
1
2
(x
n
x
0
)
t
(H
x
L(x
0
, , ))(x
n
x
0
) +kx
n
x
0
k
2
R
1
(kx
n
x
0
k) (*)
Por otra parte, de las condiciones de Karush-Kuhn-Tucker se tiene que L(x
n
, , ) f(x
n
) f(x
0
) = L(x
0
, , )
lo cual determina que L(x
n
, , ) L(x
0
, , ) y este resultado ms la ecuacin (*) conducen a
1
2
(x
n
x
0
)
t
(H
x
L(x
0
, , ))(x
n
x
0
) +kx
n
x
0
k
2
R
1
(kx
n
x
0
k) 0
Diviendo por kx
n
x
0
k y tomando lmite cuando n !1 resulta d
t
(H
x
L(x
0
, , ))d 0 lo cual es una contradic-
cin.
De la misma forma que como sucede en el teorema 7.5, para el teorema anterior basta con que el Hessiano del
Lagrangreano solo con respecto a x sea denido positivo en el conjunto de direcciones crticas y no en cualquier
direccin arbitraria. Las condiciones sucientes de segundo orden no requiren condiciones de Mangasarian-Fromovitz
ni tampoco de independencia lineal.
Para el caso de maximizacin basta con cambiar el sentido de las desigualdades para la condicin necesaria y la
condicin suciente de segundo orden pues en este caso el conjunto de direcciones crticas se dene
K(x
0
) = {d 2 R
n
: rg
i
(x
0
) d = 0 8i 2 I, rh
j
(x
0
) d 0 8j 2 J(x
0
), rf(x
0
) d 0}
8.3.3. Interpretacin econmica del teorema de Karush-Kuhn-Tucker
En el caso de las empresas competitivas resulta razonable suponer que su objetivo es la maximizacin de benecios
econmicos. Simplicando la realidad de una empresa podemos decir que esta es monoproductora y elige un nivel
de produccin y 2 R
+
, dado el precio de venta p 2 R
++
de su producto el cual es determinado exgenamente.
Podemos decir que la empresa tiene una funcin de produccin (o de transformacin de insumos) y = f(x) donde
y > 0 es el nivel de produccin escogido y x 2 R
n
+
es el vector de insumos utilizados en la produccin. Esta funcin
la deniremos como
f(x) = max(y) tal que (y, x) 2 Y, Y = {(y, x) 2 R
+
R
n
+
, f(x) y}
Cada insumo tiene un costo unitario w
i
> 0, lo que se traduce en un vector de costos w 2 R
n
+
. Entonces la empresa
debe resolver las siguientes ecuaciones:
(p, w) = sup
x2R
n
+
pf(x) w x
x(p, w) = arg max
x2R
n
+
pf(x) w x
(p, w) corresponde a la funcin de benecios y da cuenta de la diferencia entre ingreso y costos. No hemos hecho
los sucientes supuestos para asegurar que se alcanza un mximo benecio (por ejemplo: y(p) 6= ?), entonces no
podemos reemplazar sup por max ignorando que son diferentes conceptualmente hablando. En particular podra
darse el caso en que (p) !+1, lo cual sucedera si Y no es acotado.
Lo que sigue es sobre la base de dos supuestos fuertes: Existe una nica decisin de produccin que efectivamente
maximiza benecios y las posibilidades de produccin estn acotadas.
La maximizacin de benecios se puede separar en dos partes:
173
FCFM - Universidad de Chile
1. Primero se encuentra una combinacin de factores que permita producir a costos mnimo dado un nivel de
produccin y.
Funcin de costo: C(y, w) = nf
x:f(x)y
w x
Demanda por factores: X(y, w) = arg mn
x:f(x)y
w x
= {x : f(x) y ^ w x = C(y, w)}
2. Encontrar un nivel de produccin que maximice la diferencia entre los ingresos y los costos
max
y0
py C(y, w)
De lo anterior ahora podemos pasar a minimizacin de costos. Supongamos que Y slo considera como restriccin
que se puede producir a lo ms y dada la capacidad tecnolgica de la empresa:
Y = {(y, x) : x 2 R
n
+
^ f(x) y}
El problema de minimizacin de costos es simila al de maximizacin de benecios sobre el conjunto Y si tomamos
y 2 Y y adems
(p, w) = py C(y, w)
y(w) = (y, X(y, w))
Una construccin adecuada del problema de maximizacin de benecios es la siguiente:
m ax
x2R
n
+
pf(x) w x
s.a x
i
0 8i 2 {1, . . . , n}
por obvio que parezca la restriccin es importante porque valores negativos de x carecen de sentido en este contexto.
Luego construimos el Lagrangeano del problema
L(x, w, p, ) = pf(x) w x + x
De lo cual se obtienen las siguientes condiciones
Condicin de primer orden: prf(x
0
) w + = 0
Holgura complementaria:
i
x
i
0
= 0 8i 2 {1, . . . , n}
No negatividad:
i
0 8i 2 {1, . . . , n}
Restriccin inicial: x
i
0
0 8i 2 {1, . . . , n}
Nota 8.2. De acuerdo a la notacin empleada x
0
= (x
1
0
, . . . , x
n
0
) 2 R
n
, es decir x
i
0
es la i-sima coordenada de x
0
.
La consecuencia de estas condiciones consideradas en forma simultnea es la siguiente: Para todo i se cumplir que
p
df(x0)
dxi
w
i
y adems si x
i
0
> 0 sabemos que
i
= 0 entonces para cualquier insumo que se utilice en cantidades
positivas se tendr que p
df(x0)
dxi
= w
i
. Esta condicin en los libros de economa se expresa: El valor de producto
marginal del factor en competencia perfecta es lo que est dispuesta a pagar la rma (o empresa) por dicho factor.
Si el costo del factor i es superior a p
df(x0)
dxi
dicho factor no se utilizar.
Centrmonos ahora en el problema de minimizacin de costos. Una construccin adecuada del problema es la
siguiente:
mn
x2R
n
+
w x
s.a f(x) y
x
i
0 8i 2 {1, . . . , n}
174
8.3. Teorema de Karush-Kuhn-Tucker
por obvio que parezca la restriccin es importante pues valores negativos de x carecen de sentido en este contexto.
Luego construimos el Lagrangeano del problema (asumiremos f(x) = y)
L(x, w, y, `, ) = w x + `(q f(x)) x
Imponiendo las mismas condiciones que en el caso anterior llegamos a lo siguiente:
Condicin de primer orden: w `rf(x
0
) = 0
Holgura complementaria:
i
x
i
0
= 0 8i 2 {1, . . . , n}
No negatividad:
i
0 8i 2 {1, . . . , n}
Restriccin inicial: f(x
0
) = y , x
i
0
0 8i 2 {1, . . . , n}
Estas condiciones en forma simultnea conducen a
`
0f(x
0
)
0x
i
w
i
8i 2 {1, . . . , n}
y para todo x
i
0
> 0 se tiene
`
0f(x
0
)
0x
i
= w
i
en este caso el multiplicador de Lagrange da cuenta de que el uso de los insumos o factores guarda relacin con la
proporcin que existe entre el costo del factor y su productividad marginal.
Centrmonos ahora en el problema de obtener una cantidad ptima de produccin (es similar a maximizacin de
benecios). Una construccin adecuada del problema es la siguiente:
max
y2R+
py C(y, w)
s.a y 0
Luego construimos el Lagrangeano del problema
L(y, p, w, ) = py C(y, w) +y
Imponiendo las mismas condiciones que en el caso anterior llegamos a lo siguiente:
Condicin de primer orden: p
dC(y0,w)
dy
+ = 0
Holgura complementaria: y
0
= 0
No negatividad: 0
Restriccin inicial: y
0
0
Estas condiciones en forma simultnea conducen a
p
0C(y
0
, w)
0y
si q
0
> 0 se tiene
p =
0C(y
0
, w)
0y
lo cual nos dice que la situacin ptima se logra con un nivel de produccin tal que el costo marginal de producir
una unidad adicional es igual al precio de venta del producto.
Notemos que si la solucin ptima de los tres problemas es (y
0
, x
0
) > 0 entonces
p
0f(x
0
)
0x
i
= w
i
^ `
0f(x
0
)
0x
i
= w
i
) p
0f(x
0
)
0x
i
= `
0f(x
0
)
0x
i
) p = `
175
FCFM - Universidad de Chile
y como p =
dC(y0,w)
dy
obtenemos
p = ` =
0C(y
0
, w)
0y
Lo cual tiene una conclusin muy importante: El multiplicador de Lagrange corresponde al precio de equilibrio
en el ptimo y la oferta de la rma, bajo los supuestos de los cuales partimos, se determina a partir de su costo
marginal cuando se iguala con el precio de venta. Sin embargo esto ltimo corresponde a una condicin necesaria
y no suciente para determinar la oferta de la rma. Debemos tener presente que las condiciones de KKT son slo
necesarias.
8.3.4. Ejemplos
Ejemplo 8.2. Veremos un caso en el cual el teorema de KKT no es aplicable. Considere el siguiente problema:
mn
x,y
x
s.a (1 +x) +y 0
y 0
La solucin de este problema es (1, 0) (verifquelo), sin embargo no existen
1
,
2
0 tales que
rL(x
0
,
1
,
2
) =

1
0

+
1

3(1 x
0
)
2
1

+
2

0
1

1
0

+
1

0
1

+
2

0
1

0
0

Lo que sucede es que los gradientes de h


1
y h
2
no son linealmente independientes en el ptimo. Realice un grco
de la funcin objetivo y las restricciones para observar lo que ocurre.
Ejemplo 8.3. Francisca tiene una funcin de utilidad (o nivel de bienestar) por el consumo de frutillas (x) y cerezas
(y) de la forma
u(x, y) = x
1/2
+
y
4
Lo que le interesa es maximizar utilidad. Sabemos que el precio de venta de cada fruta es de 1 unidad monetaria y
que cada da cuenta con un presupuesto de una unidad monetaria exclusivamente para estas frutas.
Resuelva el problema que enfrenta Francisca utilizando multiplicadores de Lagrange y compare su resultado con la
solucin que se encuentra mediante Kuhn-Tucker.
Solucin. El problema es el siguiente:
max
x,y
x
1/2
+
y
4
s.a x +y = 1
Entonces el Lagrangeano nos queda de la siguiente forma:
L(x, y, `) = x
1/2
+
y
4
+ `(1 x y)
Las condiciones de primer orden son las siguientes
0L
0x
= 0 ,
1
2x
1/2
0
` = 0
0L
0y
= 0 ,
1
4
` = 0
0L
0`
= 0 , 1 x
0
y
0
= 0
176
8.3. Teorema de Karush-Kuhn-Tucker
Si igualamos ` en las primeras dos ecuaciones se obtiene x
0
= 4 y reemplazando en la tercera ecuacin se obtiene
y
0
= 3. Claramente esta solucin carece de sentido dada la naturaleza del problema.
Si utilizamos Kuhn-Tucker podemos incorporar restricciones de no negatividad al problema y nos queda de la
siguiente manera:
max
x,y
x
1/2
+
y
4
s.a 1 x y 0
x 0
y 0
Entonces el Lagrangeano nos queda de la siguiente forma:
L(x, y,
1
,
2
,
3
) = x
1/2
+
y
4
+
1
(1 x y) +
2
x +
3
y
Las condiciones de primer orden son las siguientes
0L
0x
= 0 ,
1
2x
1/2
0

1
+
2
= 0
0L
0y
= 0 ,
1
4

1
+
3
= 0
y adems el teorema nos dice que debemos imponer las siguientes condiciones

1
(1 x y) = 0

2
x = 0

3
y = 0
Supongamos que
1
> 0 entonces de acuerdo al teorema se tiene que la primera restriccin se cumple con igualdad.
Sin levantar nuestro supuesto digamos que
2
= 0 y
3
> 0 entonces x
0
> 0 e y
0
= 0 y en este caso tenemos que
tras reemplazar en la restriccin la nica alternativa es x
0
= 1 dado que y
0
= 0. El otro caso de inters es decir que

2
> 0 y
3
= 0 entonces x
0
= 0 e y
0
> 0 lo cual lleva a que la nica alternativa es y
0
= 1 dado que x
0
= 0.
Resulta que el par (1, 0) del primer caso genera un valor en la funcin objetivo igual a f(1, 0) = 1 mientras que el
par (0, 1) del segundo caso genera un valor en la funcin objetivo igual a f(0, 1) = 1/4 por lo que nos quedamos
con la primera solucin.
Otro caso es suponer que
2
,
3
> 0 y en tal caso la utilidad es cero.
Ejemplo 8.4. Carolina acaba de asumir como la nueva gerente de la empresa Gestin S.A. La primera medida
que ha implementado como poltica de la empresa es maximizar el ingreso por ventas teniendo en cuenta que los
benecios econmicos (ingreso menos costos) de la empresa no pueden bajar de un nivel jo m.
El costo de publicidad en revistas corresponde a un valor a 2 R
+
. Siendo I(y, a) = py +f(a) el ingreso que recibe
la empresa, p el precio de venta, y 2 R
+
el nivel de produccin y f una funcin creciente en el nivel de publicidad
el cual es a 2 R
+
.
Sea C(y) el costo de produccin asociado a fabricar una cantidad y determinada. Se sabe que las funciones de
ingreso y costo son funciones C
1
y ambas son crecientes en el nivel de produccin, es decir, 0C/0y > 0 y 0I/0a > 0.
Un estudio de mercado encargado por la gerente revel que y

> 0. Cmo resolvera un problema que permita


encontrar un nivel de produccin y un gasto en publicidad (y

, a

) ptimo?
Solucin. El problema de la empresa nos queda de la siguiente forma:
max
y,a
I(y, a)
s.a (y, a) = I(y, a) C(y) a m
a 0
y 0
177
FCFM - Universidad de Chile
Asumamos que existe un par (y

, a

) con y

> 0 correspondiente a una solucin ptima. El lagrangeano corresponde


a:
L(y, a,
1
,
2
,
3
) = I(y, a) +
1
(I(y, a) C(y) a m) +
2
a +
3
y
Por el teorema de KKT sabemos que
3
y

= 0 e y

> 0 implican
3
= 0 por lo que sin prdida de generalidad el
Lagrangeano del problema se puede escribir:
L(y, a,
1
,
2
) = I(y, a) +
1
(I(y, a) C(y) a m) +
2
a
Si la solucin ptima cumple la condicin de IL o MF, las condiciones de primer orden generan las siguientes
ecuaciones
0L
0y
= (1 +
1
)
0I
0y

1
0C
0y
= 0 (*)
0L
0a
= (1 +
1
)
0I
0a

1
+
2
= 0 (**)
y adems el teorema nos dice que debemos imponer las siguientes condiciones

1
(m+I(y, a) C(y) a) = 0 (***)

2
a = 0
Como 0I/0a > 0 y
1
0 en la ecuacin (**) tenemos que
2

1
< 0. Como
2
0,
1
debe ser estrictamente
positivo. Por lo tanto, de (***) se deduce que (y

, a

) por lo que el benecio percibido es el mnimo aceptable.


Como
1
> 0 y 0C/0y > 0 de la ecuacin (*) se deduce que 0I/0y > 0 lo que nos dice que el ingreso marginal el
positivo en el ptimo.
Por otra parte, tenemos que el benecio marginal 0/0y en el ptimo es negativo pues de otra forma el nivel
de produccin necesariamente tendra que ser menor y los benecios seran mayores pues nos encontramos en la
situacin de mnimo benecio aceptable, la ecuacin (*) verica esto pues
(1 +
1
)
0
0y
= (1 +
1
)

0I
0y

0C
0y

=
0L(y

, a

)
0y

0C
0y
= 0
0C
0y
< 0
En consecuencia, vericamos que el nivel de produccin y

es mayor que el que se escogera en una situacin de


maximizacin de benecios.
Ejemplo 8.5. Suponga que Anbal asume como el nuevo gerente de la empresa Energa Solar S.A. la cual instala
calefactores solares modelo Bsico (x) y modelo Premium (y). Lo que necesita es determinar su plan de produccin
ptimo. Segn un estudio el benecio por cada unidad de producto instalada est dado por
Bsico 800 x y
Premium 2000 x 3y
Donde x e y son las cantidades totales que instala de cada producto. Para instalacin se requiere mano de obra y
uso de maquinaria segn la siguiente tabla
178
8.3. Teorema de Karush-Kuhn-Tucker
Recurso (horas/unidad)
Producto Mano de obra Maquinaria
Bsico 8 7
Premium 3 6
Disponibilidad 1200 2100
(horas/mes)
Se pide:
1. Plantear el problema de optimizacin y formular el Lagrangeano del problema.
2. Determinar todas las soluciones ptimas y/o factibles.
Solucin. El problema es
max
x,y
(800 x y)x + (2000 x 3y)y
s.a 1200 8x 3y 0
2100 7x 6y 0
x 0
y 0
Antes de resolver debemos determinar si las condiciones de KKT son al menos necesarias para la maximizacin.
Para esto tenemos que el hessiano de la funcin corresponde a
H =

2 2
2 6

que es denido negativo porque (1)


1
|H
1
| > 0 y (1)
2
|H
2
| > 0 y as la funcin es cncava por lo que las
condiciones de KKT son sucientes.
El Lagrangeano corresponde a
L(x, y, ) = (800 x y)x + (2000 x 3y)y
+
1
(1200 8x 3y) +
2
(2100 7x 6y) +
3
(x 0) +
4
(y 0)
Entonces las condiciones de primer orden generan el siguiente sistema

800 2x 2y 8
1
7
2
+
3
= 0
2000 2x 6y 3
1
6
2
+
4
= 0
y adems el teorema nos dice que debemos imponer las siguientes condiciones

1
(1200 8x 3y) = 0 ^
1
0

2
(2100 7x 6y) = 0 ^
2
0

3
x = 0 ^
3
0

4
y = 0 ^
4
0
Sea x
0
> 0 e y
0
> 0, dejaremos de tarea los casos (x
0
= 0, y
0
> 0) y (x
0
> 0, y
0
= 0). Tenemos que
3
= 0 y
4
= 0
y sobre este resultado pueden pasar cuatro cosas
Caso 1: (1200 8x 3y = 0) y (2100 7x 6y = 0)
Entonces
1
> 0 y
2
> 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 8
1
7
2
= 0
2000 2x 6y 3
1
6
2
= 0
1200 8x 3y = 0
2100 7x 6y = 0
x > 0
y > 0
179
FCFM - Universidad de Chile
Para resolver se desarrolla el sistema
_
_
_
_
2 2 8 7
2 6 3 6
8 3 0 0
7 6 0 0
_
_
_
_
_
_
_
_
x
y

2
_
_
_
_
=
_
_
_
_
800
2000
1200
2100
_
_
_
_
y se obtiene
x
0
= 33,

3 y
0
= 311,

1
1
= 7, 407
2
= 7, 407
que es una solucin ptima y factible.
Caso 2: (1200 8x 3y 6= 0) y (2100 7x 6y = 0)
Entonces
1
= 0 y
2
> 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 7
2
= 0
2000 2x 6y 6
2
= 0
1200 8x 3y > 0
2100 7x 6y = 0
x > 0
y > 0
Para resolver se desarrolla el sistema
_
_
_
_
2 2 7
2 6 6
8 3 0
7 6 0
_
_
_
_
_
_
x
y

2
_
_
=
_
_
800
2000
2100
_
_
y se obtiene
x
0
= 39, 394 y
0
= 304, 04
2
= 16, 162
que es una solucin ptima pero no factible.
Caso 3: (1200 8x 3y = 0) y (2100 7x 6y 6= 0)
Entonces
1
> 0 y
2
= 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 8
1
= 0
2000 2x 6y 3
1
= 0
1200 8x 3y = 0
2100 7x 6y > 0
x > 0
y > 0
Para resolver se desarrolla el sistema
_
_
2 2 8
2 6 3
8 3 0
_
_
_
_
x
y

1
_
_
=
_
_
800
2000
1200
_
_
y se obtiene
x
0
= 31, 373 y
0
= 316, 34
1
= 13, 072
que es una solucin ptima pero no factible.
180
8.4. Ejercicios
Caso 4: (1200 8x 3y 6= 0) y (2100 7x 6y 6= 0)
Entonces
1
= 0 y
2
= 0 por lo que las condiciones de KKT se reducen a
800 2x 2y = 0
2000 2x 6y = 0
1200 8x 3y > 0
2100 7x 6y > 0
x > 0
y > 0
Para resolver se desarrolla el sistema

2 2
2 6

x
y

800
2000

y se obtiene
x
0
= 100 y
0
= 300
que es una solucin ptima pero no factible.
Podramos extendernos mucho ms sobre optimizacin pero, de acuerdo a los objetivos del curso, con lo ya expuesto
hemos presentado toda la base e incluso muchos ms temas que en un curso de clculo multivariable habitual o
estndar. Karush-Kuhn-Tucker nos da la base para la Programacin Lineal y muchos mtodos ecientes que se
tratan en cursos superiores.
8.4. Ejercicios
Ejercicio 1. Demuestre que si se tienen n nmeros positivos entonces el problema:
mn
x
n

i=1
x
i
s.a
n

i=1
x
i
= 1, x
i
0 8i 2 {1, . . . , n}
Nos permite encontrar la igualdad
1
n
n

i=1
x
i

_
n

i=1
x
i
_
1/n
Ejercicio 2. Deduzca que el siguiente problema:
max
x
n

i=1
x
i
s.a
n

i=1
x
i
= 1, x
i
0 8i 2 {1, . . . , n}
Nos permite obtener la misma igualdad del problema anterior.
181
APNDICE A
Teoremas de Clculo en R
Muchos teoremas en R
n
tienen una demostracin anloga a las del curso de Clculo en una variable. Daremos
algunos de estos.
A.1. Teorema de Bolzano-Weierstrass
Teorema A.1. (Teorema de Bolzano-Weierstrass en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] ! R continua tal que f(a) y f(b) tienen signos contrarios,
entonces existe c 2 [a, b] tal que f(c) = 0.
Demostracin. Sin prdida de generalidad supongamos que f(a) < 0 y f(b) > 0. Escojamos c 2 (a, b) y de esto se
tienen tres casos:
1. f(c) < 0 y nos restringimos al intervalo [a
1
, b
1
] con a
1
= c y b
1
= b.
2. f(c) = 0 en este caso concluye la demostracin.
3. f(c) > 0 y nos restringimos al intervalo [a
1
, b
1
] con a
1
= a y b
1
= c.
Para los casos 1. y 3. consideremos intervalos [a
n
, b
n
] [a
n1
, b
n1
] . . . [a, b] tal que f(a
n
) < 0 y f(b
n
) > 0.
Escojamos para cada intervalo un c que es punto medio y as cada intervalo es la mitad del anterior. De esta forma,
b
n
a
n
=
ba
2
n
y para n !1 se tendr que a
n
b
n
!0 y lm
n!1
a
n
= lm
n!1
b
n
.
Sea c = lm
n!1
a
n
, por ser f continua
f(c) = f

lm
n!1
a
n

= lm
n!1
f(a
n
)
como f(a
n
) < 0 tenemos que lm
n!1
f(a
n
) 0.
Anlogamente si tomamos
f(c) = f

lm
n!1
b
n

= lm
n!1
f(b
n
)
como f(b
n
) < 0 tenemos que lm
n!1
f(a
n
) 0. Se concluye entonces que f(c) = 0.
A.2. Teorema del Valor intermedio
Teorema A.2. (Teorema del valor intermedio en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] !R continua. Si f(a) 6= f(b), entonces dado k 2 (f(a), f(b))
existe c 2 (a, b) tal que f(c) = k.
183
FCFM - Universidad de Chile
Demostracin. Sin prdida de generalidad supongamos que f(a) < f(b). Denamos g(x) = f(x) k y entonces
g(a) = f(a) k < 0 y g(b) = f(b) k > 0. De acuerdo al teorema A.1 existe c 2 (a, b) tal que f(c) = k.
Teorema A.3. Sean [a, b] un intervalo cerrado y acotado y f : [a, b] ! R continua y diferenciable en (a, b).
Entonces, f tiene un mximo (o mnimo) en al menos un punto c 2 (a, b) tal que f
0
(c) = 0.
Demostracin. Haremos la demostracin para el caso de mximos. La demostracin para el caso de un mnimo es
anloga y queda de tarea.
Si f tiene al menos un mximo en c entonces
f(c +h) f(c) 8h tal que c +h 2 [a, b]
De esta forma, f(c +h) f(c) 0.
Tomando h > 0 se tiene que
f(c +h) f(c)
h
0 )f
0
(c) 0 (*)
Tomando h < 0 se tiene que
f(c +h) f(c)
h
0 )f
0
(c) 0 (**)
De (*) y (**) se concluye que f
0
(c) = 0.
A.3. Teoremas de Rolle y del Valor Medio
Teorema A.4. (Teorema de Rolle en R)
Sean [a, b] cerrado y acotado y f : [a, b] !R continua y diferenciable. Si f(a) = f(b), entonces existe al menos un
c 2 (a, b) tal que f
0
(c) = 0.
Demostracin. Tenemos tres casos posibles:
1. Si f(c) < f(a) para algn c 2 (a, b). Entonces, existe c 2 (a, b) donde f alcanza su valor mnimo. De acuerdo
al teorema A.3 f
0
(c) = 0.
2. Si f(a) = f(c) 8c 2 (a, b). Entonces, por ser f constante, su derivada es nula en (a, b) y se cumple el teorema.
3. Si f(c) > f(a) para algn c 2 (a, b). Entonces, existe c 2 (a, b) donde f alcanza su valor mximo. De acuerdo
al teorema A.3 f
0
(c) = 0.

La interpretacin geomtrica del teorema de Rolle es la siguiente: Si una funcin continua y derivable cruza dos
veces una recta paralela al eje x, entonces existe entre los dos cruces consecutivos un punto donde la tangente al
grco de la funcin es paralela al eje x.
f(x)
x
0
x
f
0
(x
0
) = 0
Figura A.1.: Teorema de Rolle.
184
A.4. Primer y Segundo Teorema Fundamental del Clculo
Teorema A.5. (Teorema del valor medio en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] !R continua y derivable en (a, b). Entonces, existe un punto
c 2 (a, b) tal que
f
0
(c) =
f(b) f(a)
b a
Demostracin. Denamos
g(x) = f(x)
f(b) f(a)
b a
(x a)
se tiene que g es continua en [a, b] y derivable en (a, b).
Observemos que g(a) = f(a) y g(b) = f(a) lo que implica g(a) = g(b), por lo tanto podemos aplicar el teorema A.4.
Entonces, existe c 2 (a, b) tal que g
0
(x) = 0 y se tendr que
f
0
(c) =
f(b) f(a)
b a

La interpretacin geomtrica del teorema del valor medio es la siguiente: Si trazamos una secante que une dos
puntos de una funcin continua y derivable, entonces existe un punto donde la tangente al grco de la funcin y
la secante ya denida son paralelas.
f(x)
x
0
x
f
0
(x)
Figura A.2.: Teorema del valor medio.
A.4. Primer y Segundo Teorema Fundamental del Clculo
Teorema A.6. (Primer teorema fundamental del clculo)
Sean f : [a, b] !R continua y x 2 [a, b], entonces la funcin F denida por
F(x) =
_
x
a
f(x)dx
es derivable en (a, b) y adems F
0
(x) = f(x) en (a, b).
Demostracin. Sea c 2 (a, b). Debemos demostrar que el lmite
F
0
(c) = lm
h!0
F(c +h) F(c)
h
existe y vale f(c). Notemos que
F(c +h) F(c) =
_
c+h
a
f(x)dx
_
c
a
f(x)dx =
_
c+h
c
f(x)dx
Consideremos por separado los casos h > 0 y h < 0:
185
FCFM - Universidad de Chile
1. Sea h > 0: Como f es continua en [c, c +h], se tiene que existen valores a
1
y b
1
en [c, c +h] tales que
f(a
1
) f(c) f(b
1
) 8x 2 [c, c +h]
Integrando en [c, c +h]
f(a
1
)h F(c +h) F(c) f(b
1
)h
f(a
1
)
F(c +h) F(c)
h
f(b
1
)
Si h !0
+
entonces a
1
!c y b
1
!c. Como f es continua f(a
1
) !f(c) y f(b
1
) !f(c).
Entonces,
lm
h!0
+
F(c +h) F(c)
h
= f(c) (*)
2. Sea h < 0: Como f es continua en [c +h, c], se tiene que existen valores a
2
y b
2
en [c +h, c] tales que
f(a
2
) f(c) f(b
2
) 8x 2 [c +h, c]
Integrando en [c +h, c]
f(a
2
)(h) (F(c +h) F(c)) f(b
2
)(h)
f(a
2
)
F(c +h) F(c)
h
f(b
2
)
Si h !0

entonces a
2
!c y b
2
!c. Como f es continua, f(a
2
) !f(c) y f(b
2
) !f(c).
Entonces,
lm
h!0

F(c +h) F(c)


h
= f(c) (**)
De (*) y (**) se obtiene
lm
h!0

F(c +h) F(c)


h
= lm
h!0
+
F(c +h) F(c)
h

Teorema A.7. (Segundo teorema fundamental del clculo)


Sea f : [a, b] ! R integrable. Si existe una funcin F : [a, b] ! R continua y derivable tal que F
0
(x) = f(x) en
(a, b), entonces
_
b
a
f(x)dx = F(b) F(a)
Demostracin. Sea P = {x
0
, . . . , x
n
} una particin cualquiera del intervalo [a, b], entonces en cada intervalo [x
i1
, x
i
]
la funcin F(x) cumple las hiptesis del teorema del valor medio (teorema A.5), es decir
F(x
i
) F(x
i1
) = F
0
(c)(x
i
x
i1
)
Como F
0
(x) = f(x) 8x 2 [a, b], entonces F
0
(c) = f(c) y adems
m
i
(f)(x
i
x
i1
) f(c)(x
i
x
i1
) M
i
(f)(x
i
x
i1
)
m
i
(f)(x
i
x
i1
) F(x
i
) F(x
i1
) M
i
(f)(x
i
x
i1
)
Aplicando

n
i=1
() se obtiene
s(f, P) F(b) F(a) S(f, P)
Como f es integrable en [a, b]
_
b
a
f(x)dx = F(b) F(a)

186
APNDICE B
Conceptos de lgebra Lineal
B.1. Dependencia Lineal y Base de un Espacio
Denicin B.1. Un vector x 2 R
n
se dice que es combinacin lineal de un conjunto de vectores A = {x
1
, . . . , x
n
},
A R
n
si existe una forma de expresarlo como la suma de vectores de A ponderados por un escalares
1
, . . . ,
n
,
de forma que:
x =
1
x
1
+. . . +
n
x
n
=
n

i=1

i
x
i
Denicin B.2. Sea A = {x
1
, . . . , x
n
}, A R
n
diremos que este conjunto es linealmente independiente si y slo
si:
n

i=1

i
x
i
= 0 )
j
= 0 8j = 1, . . . , n
Se debe tener presente que:
1. Si 0 2 A entonces A es un conjunto linealmente dependiente.
2. Si un vector de A es multiplo de otro vector de A, entonces el conjunto es linealmente dependiente.
3. A es linealmente dependiente si y slo si existe j = 1, . . . , n tal que x
j
es combinacin lineal de A\ {x
j
}.
4. Si A B y B es un conjunto linealmente independiente, entonces A es linealmente independiente.
5. Si A B y B es un conjunto linealmente dependiente, entonces A es linealmente dependiente.
La proposicin 3. se puede demostrar como sigue: A es linealmente dependiente si y slo si
n

i=1

n
x
n
= 0 con
1
, . . . ,
n
no todos nulos
supongamos que
j
6= 0 para 1 j n entonces

j
x
j
=

i=1
i6=j

i
x
i
x
j
=
1

i=1
i6=j

i
x
i
187
FCFM - Universidad de Chile
si denimos a
i
=
i
/
j
se tiene
x
j
=

i=1
i6=j
a
i
x
i
y por lo tanto x
j
es combinacin lineal de A\ {x
j
}.
Denicin B.3. Sea B = {b
1
, . . . , b
n
}, B R
n
diremos que este conjunto es una base de R
n
si y slo si:
1. B es linealmente independiente (libre)
2. B es tal que el conjunto de todas combinaciones lineales posibles del conjunto da lugar a R
n
(generador)
Todas las bases de un espacio o subespacio poseen la misma cardinalidad o nmero de vectores. As en en caso de
R
3
la cardinalidad de toda base es 3.
B.2. Ortogonalidad y Ortonormalidad
Denicin B.4. Dos vectores de R
n
son ortogonales si y slo si a b = 0.
Siguiendo la denicin 0 es ortogonal con cualquier vector de R
n
.
Denicin B.5. Sea A R
n
diremos que el conjunto A es ortogonal si y slo si
x
i
x
j
=
_
0 si i 6= j
kx
j
k
2
si i = j
y diremos que A es ortonormal si y slo si
x
i
x
j
=
_
0 si i 6= j
1 si i = j
Por ejemplo, en R
3
el conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es ortonormal.
Sea {x
1
, . . . x
n
} ortogonal con x
j
6= 0 8j y supongamos que
n

i=1

i
x
i
= 0
entonces
_
n

i=1

i
x
i
_
x
1
= 0 x
1
x
1
x
1
+
_
n

i=2

i
x
i
_
x
1
= 0 x
1
x
1
x
1
+ 0 = 0

1
kx
1
k
2
= 0

1
= 0
entonces
i
= 0 8i por lo que A es linealmente independiente y en conclusin todo conjunto ortogonal de vectores
no nulos es linealmente independiente.
188
B.3. Transformaciones Lineales
B.3. Transformaciones Lineales
Denicin B.6. Una transformacin lineal de R
n
en R
m
es una funcin
T : R
n
!R
m
x 7!T(x)
y es tal que T(x +y) = T(x) +T(y) y T(x) = T(x)
Por ejemplo, T : R
2
!R denida por T(x, y) = 2x 5y es una transformacin lineal (verifquelo).
B.4. Valores y Vectores Propios
Denicin B.7. Sea T : R
n
! R
n
una trasformacin lineal. Un escalar t es un valor propio de T si existe x 6= 0
en R
n
tal que T(x) = tx. El vector x ya denido es un vector propio de T asociado a t.
Por denicin 0 no puede ser vector propio de una tranformacin lineal. Esto no quiere decir que 0 no puede ser
valor propio de una transformacin lineal.
Una transformacin lineal puede o no tener valores propios. Por ejemplo, la identidad T(x) = x admite como valor
propio a 1 pero la transformacin en R
2
T(x, y) = (y, x) no tiene valores propios ya que no existe t 2 R tal que
tx = y y ty = x pues reemplazando nos queda que t
2
y = y.
B.5. Formas Cuadrticas
Denicin B.8. Sea A 2 M
nn
(R) una matriz simtrica, denimos la funcin
q : R
n
!R
x 7!q(x) = x
t
Ax
la cual se denomina forma cuadrtica en R
n
.
Por ejemplo, f(x, y) = x
2
+ 2xy +y
2
dene una forma cuadrtica con

1 1
1 1

.
Ntese que una forma cuadrtica en R
n
es una funcin homognea de grado 2, es decir 8x 2 R
n
q(tx) = t
2
q(x). En
efecto q(tx) = (tx)
t
A(tx) = t
2
xAx = t
2
q(x).
Denicin B.9. Diremos que la matriz A es:
1. Denida positiva si 8x 6= 0 x
t
Ax > 0.
2. Semidenida positiva si 8x x
t
Ax 0.
3. Denida negativa si 8x 6= 0 x
t
Ax < 0
4. Semidenida negativa si 8x x
t
Ax 0.
Si A es una matriz simtrica, entonces A es diagonalizable, es decir, existe una matriz P tal que
A = PDP
t
(B.1)
donde P es una matriz invertible (ortogonal) y D es una matriz diagonal, es decir:
P
t
P = I
189
FCFM - Universidad de Chile
donde I es la matriz identidad y
D =
_

_
`
1
0 0
0 `
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 `
n
_

_
De (B.1) tenemos que
AP = PD
y por columna
Ap
i
= `
i
p
i
donde p
i
representa la i-sima columna de P. Los `
i
son los valores propios de la matriz A mientras que los p
i
son
vectores propios correspondientes a dichos valores propios.
Si una matriz es denida positiva y adems es simtrica, usando la diagonalizacin vista anteriormente, tenemos
que
x
t
PDP
t
x > 0 8x 6= 0
o sea (haciendo P
t
x = y)
y
t
Dy > 0 8y 6= 0
)

`
i
y
2
i
> 0 8y 6= 0
y de aqui se obtiene el siguiente teorema.
Teorema B.1. Una matriz A es denida positiva si y slo si los valores propios de A son positivos.
Demostracin. Haremos la demostracin en dos partes. Sean
1. A es denida positiva (x
t
Ax > 0, 8x 6= 0).
2. Los valores propios de A son positivos.
(1) ) (2):
Sea ` un valor propio de A e y 6= 0 un vector propio correspondiente al valor propio `. Entonces
0 < y
t
Ay = y
t
(`y) = `y
t
y = `kyk
2
) ` > 0
(2) ) (1):
Suponiendo que A es simtrica entonces A = PDP
t
, donde las columnas de P son una base ortonormal del vectores
propios y D es la diagonal de los valores propios respectivos. De esta forma
x
t
Ax = x
t
PDP
t
x = (P
t
x)
t
DP
t
x
entonces deniendo z = P
t
x se tendr que en trminos de estas nuevas variables la forma cuadrtica queda
x
t
Ax = z
t
Dz = `
1
z
2
1
+. . . + `
n
z
2
n
0
dado que los valores propios son positivos. La nica forma de que la forma cuadrtica sea nula es con z
1
= . . . =
z
n
= 0, es decir z = 0, pero entonces P
t
x = 0 ) x = 0 (se debe tener presente que P
1
= P
t
).
Corolario B.1. Si A es denida positiva entonces existe c > 0 tal que
x
t
Ax c kxk
2
8x 2 R
n
donde, c = mn {`
i
tal que i = 1, ..., n} .
190
B.5. Formas Cuadrticas
Demostracin.
x
t
Ax =

`
i
y
2
i
mn{`
i
tal que i = 1, ..., n} kyk
2
= c
_
_
P
t
x
_
_
2
= cx
t
PP
t
x , recordemos que PP
t
= P
t
P = I
= c kxk
2

Teorema B.2. Una matriz A es semi-denida positiva si y slo si los valores propios de A son positivos o nulos.
Nota B.1. De las deniciones vistas hasta ahora de matrices denidas y semi-denidas positivas, haciendo los cam-
bios de desigualdad correspondientes, se obtienen las deniciones de matrices denidas y semi-denidas negativas.
Existen muchos criterios para determinar si una matriz es denida positiva o no, uno de los usados por su fcil
comprobacin es el siguiente: Una matriz B cuadrada (n n) es denida positiva si y solo si todas las submatrices
cuadradas a lo largo de la diagonal tienen determinantes positivos. Para el caso de las matrices denidas negativas
los signos de los determinantes deben alternarse, comenzando con negativo.
De esta forma, cuando la matriz es semi-denida positiva se tiene que
|B
i
| 0 8i = 1, . . . , n
mientras que cuando la matriz es semi-denida negativa se tiene que |B
1
| 0, |B
2
| 0, . . . tal que
(1)
i
|B
i
| 0 8i = 1, . . . , n
Ejemplo B.1. Para el caso de una funcin de tres variables los determinantes de las tres submatrices del Hessiano
corresponden a
|H
1
| =
0f(x)
0x
2
1
|H
2
| =

d
2
f(x)
dx
2
1
d
2
f(x)
dx1dx2
d
2
f(x)
dx2dx1
d
2
f(x)
dx
2
2

|H
3
| =

d
2
f(x)
dx
2
1
d
2
f(x)
dx2dx1
d
2
f(x)
dx3dx1
d
2
f(x)
dx1dx2
d
2
f(x)
dx
2
2
d
2
f(x)
dx3dx2
d
2
f(x)
dx1dx3
d
2
f(x)
dx2dx3
d
2
f(x)
dx
2
3

191
Notacin
adh(A) Adherencia de A
B(x
0
, r) Bola abierta de centro x
0
y radio r
B(x
0
, r) Bola cerrada de centro x
0
y radio r
A
?
Complemento ortogonal de A
R
+
Conjunto de los reales mayores o iguales a cero
R
++
Conjunto de los reales estrictamente positivos
K(x) Conjunto de direcciones crticas del e.v. S en x
A\ B Diferencia entre A y B
Df Diferencial de f
hrfi Espacio vectorial generado por el gradiente de f
N
S
(x) Espacio vectorial normal al e.v. S en x
T
S
(x) Espacio vectorial tangente al e.v. S en x
C
n
Familia de las funciones con n-simas derivadas parciales continuas
fr(A) Frontera de A (puede escribirse 0A)
rf Gradiente de f (vector derivada)
r
x
f Gradiente de f slo con respecto al vector x
Hf Hessiano de f
H
x
f Hessiano de f slo con respecto al vector x
int(A) Interior de A
e
j
j-simo elemento de la base cannica de R
n
4f Laplaciano de f (sumatoria de todas las segundas derivadas parciales)
7! Mapeo o transformacin que describe una funcin
x y Producto interno entre x e y
193
Bibliografa
1. Amaya, J. Optimizacin Para Estudiantes de Ingeniera. Departamento de Ingeniera Matemtica,
Universidad de Chile, 2010.
2. Apostol, T. Calculus vol II. Wiley, 1969.
3. Belmar, C., Leiva F. Curso Completo de Introduccin a la Microeconoma. Departamento de Econo-
ma, Universidad de Chile, 2004.
4. Berge, C. Espaces Topologiques: Fonctions Mulivoques. Dunod, 1959.
5. Bertsekas, D. Nonlinear Programming. Athena Scientic, 1995.
6. Border, K., Aliprantis, C. Innite Dimensional Analysis. Springer, 2006.
7. Border, K. Fixed Point Theorems with Applications to Economics and Game Theory. Cambridge
University Press, 1989.
8. Boyd, S., Vandenberghe, L. Convex Optimization. Cambridge University Press, 2009.
9. Buck, C. Advanced Calculus. Mc Graw-Hill, 1965.
10. Cartan, H. Clculo Diferencial. Omega, 1972.
11. Cominetti, R., Jofr A. Introduccin a la Programacin Matemtica. IV Simposio Chileno de Matem-
tica, 1993.
12. Fleming, W. Funciones de Varias Variables. CECSA, 1969.
13. Jehle, G. Advanced Microeconomic Theory. Addison Wesley, 2000.
14. Karush, W. Minima of Functions of Several Variables with Inequalities as Side Constraints. M.
Sc. Dissertation, Dept. of Mathematics, University of Chicago, 1939.
15. Kolmogorov, A., Fomin, S. Introductory Real Analysis. Dover Publications, 1975.
16. Kopka, H., Daly, P. Guide to L
A
T
E
X. Addison-Wesley, 2003.
17. Krell, R., Rojas, E., Torres-Martnez, J. Apuntes de Microeconoma I: Teora del Consumidor. De-
partamento de Economa, Universidad de Chile, 2009.
18. Kuhn, H., Tucker, W. Nonlinear Programming. Proceedings of 2nd Berkeley Symposium, University of
California Press, 1951.
19. Luenberger, D., Ye, Y. Linear and Nonlinear Programming. Springer, 2008.
20. Mathworks Team. Learning Matlab 6 Student Version. Mathworks, 2001.
21. Mas Colell, A., Whinston, D., Green, J. Microeconomic Theory. Oxford University Press, 1995.
22. Nocedal, J., Wright S. Numerical Optimization. Springer, 1999.
23. Ok, E. Real Analysis with Economic Applications. Princeton University Press, 2007.
195
24. Ortiz, C., Varas, S., Vera, J. Optimizacin y Modelos Para la Gestin. Dolmen Ediciones, 2000.
25. Piskunov, N. Clculo Diferencial e Integral, (vol. I y II). Editorial MIR, 1970.
26. Rivera, J. Microeconoma II: Apunte de Curso. Departamento de Economa, Universidad de Chile, 2008.
27. Rosenlicht, M. Introduction to Analysis. Dover Publications, 1985.
28. Royden, H. Real Analysis. Macmillan Company, 1968.
29. Ruszczyski, A. Nonlinear Optimization. Princeton University Press, 2006.
30. Simon, C., Blume, L. Mathematics for Economists. W.W. Norton & Company, 1994.
31. Spivak, M. Calculus. Publish or Perish, 2008.
32. Stewart, J. Clculo Multivariable. Thomson Learning, 2006.
33. Takayama, A. Mathematical Economics. Cambridge University Press, 1985.
34. Torres-Martnez, J.P. Apuntes de Matemtica Para Microeconoma Avanzada. Departamento de Eco-
noma, Universidad de Chile, 2010.
35. Varian, H. Microeconomic Analysis. W.W Norton & Company, 1992.
196